Dolphin

Dolphin คืออะไร?

Dolphin เป็นโครงการโครงสร้างพื้นฐาน AI และ DePIN ที่ผลิตภัณฑ์หลักคือ Dolphin Network ซึ่งออกแบบมาเพื่อส่งต่อภาระงาน AI inference ไปยังผู้ให้บริการ GPU แบบกระจายตัว แทนการพึ่งพา cluster บน cloud แบบศูนย์กลางแต่เพียงอย่างเดียว ปัญหาที่โปรโตคอลระบุคือช่องว่างระหว่างดีมานด์ที่เพิ่มขึ้นของงาน inference กับปริมาณกำลังประมวลผล GPU ฝั่ง consumer และ data center จำนวนมากที่ไม่ได้ถูกใช้งานและอยู่นอกผู้ให้บริการ hyperscale ข้อได้เปรียบที่เสนอคือดีไซน์ inference แบบ “peer-to-pool” ที่เจ้าของ GPU ว่างงานสามารถประมวลผลคำขอ รับโทเคน Dolphin เป็นรางวัล และถูกกำกับควบคุมด้วยการเข้ารหัส การตรวจสอบแบบสุ่ม การตรวจผลลัพธ์ของโมเดล และกลไกผูกมัดทางคริปโตเศรษฐศาสตร์ แทนที่จะใช้ข้อตกลงระดับบริการแบบศูนย์กลางตามปกติ รอยเท้า AI ในที่สาธารณะของโครงการนี้ไม่ใช่แค่เชิงทฤษฎี: องค์กรบน Hugging Face ของ Dolphin ระบุว่าโครงการมุ่งเน้นการพัฒนาโมเดล AI และการ inference แบบกระจาย และมีรายการคลังโมเดลเปิดจำนวนหลายสิบรายการ รวมถึงเวอร์ชันโมเดลที่ติดแบรนด์ Venice

Dolphin เป็นเครือข่ายในชั้นแอปพลิเคชันแบบเฉพาะกลุ่ม มากกว่าจะเป็นบล็อกเชน Layer 1 หรือ Layer 2 อเนกประสงค์ โทเคนเคยถูกเรียกว่า DPHN และต่อมาผู้ให้บริการข้อมูลหลายรายได้รีแบรนด์เป็น POD โดยมีสัญญาบน Base ที่ 0xed664536023d8e4b1640c394777d34abaff1df8f ณ ต้นเดือนตุลาคม 2026 ผู้รวบรวมข้อมูลตลาดจัดให้อยู่ในกลุ่มคริปโตมาร์เก็ตแคปเล็กถึงกลาง ไม่ใช่สินทรัพย์โครงสร้างพื้นฐานแกนหลัก CoinGecko และ หน้าโทเคนของ DefiLlama แสดงอุปทานหมุนเวียนอยู่ในช่วงกว่า 80 ล้านโทเคนเล็กน้อยเทียบกับเพดานอุปทาน 500 ล้านโทเคน โดยอันดับในแต่ละผู้รวบรวมข้อมูลแตกต่างกันอย่างมีนัยสำคัญ Dolphin ไม่มีโปรไฟล์ Total Value Locked แบบเดียวกับตลาดปล่อยกู้หรือ automated market maker และตัวติดตาม TVL DeFi สาธารณะส่วนใหญ่แสดงมันเป็นเพียงโทเคน มากกว่าจะเป็นโปรโตคอล DeFi ที่ล็อกทุน ดังนั้นความต้องการ inference การมีส่วนร่วมของโหนด การใช้งาน API การกระจุกตัวของโทเคน และการนำโมเดลไปใช้ จึงเป็นตัวชี้วัดที่เกี่ยวข้องมากกว่า TVL

ใครเป็นผู้ก่อตั้ง Dolphin และเริ่มเมื่อใด?

ต้นทางของ Dolphin เชื่อมโยงอย่างใกล้ชิดกับ Eric Hartford นักพัฒนาโมเดลเปิดผู้อยู่เบื้องหลังตระกูลโมเดลภาษา Dolphin ที่ไม่เซ็นเซอร์และปรับทิศทางได้ โปรไฟล์คริปโตในที่สาธารณะและการอ้างอิงจากตลาดภูมิภาคระบุว่า Hartford เป็นผู้ก่อตั้งหลักหรือผู้มีส่วนร่วมแกนหลัก ขณะที่ตัวตนของ Dolphin บน Hugging Face แสดงให้เห็นองค์กร Dolphin ในฐานะผู้เผยแพร่โมเดลที่ยังเคลื่อนไหวอยู่ บริบทการเปิดตัวในเชิงปฏิบัติแบ่งได้เป็นสองเฟส: เฟสแรกคือการเกิดขึ้นของโมเดลแบรนด์ Dolphin ช่วงวัฏจักร local-AI 2023–2025 เมื่อโมเดล LLM แบบเปิดน้ำหนักกลายเป็นแรงถ่วงดุลของ API โมเดลปิด; เฟสที่สองคือเฟสเครือข่ายโทเคนไนซ์ในปี 2026 เมื่อสินทรัพย์ DPHN/POD และการดีพลอยบน Base ของ Dolphin ถูกวางตำแหน่งไว้รอบ ๆ การ inference แบบกระจาย การสร้างรายได้จาก GPU และการซื้อคืนโดยโปรโตคอล การจับจังหวะนี้วางโครงการให้อยู่ในธีมมาโครเดียวกับ Bittensor, Render, Akash, io.net, Gensyn และความพยายามอื่น ๆ ที่จะเปลี่ยน compute ด้าน AI ให้เป็นตลาดที่ประสานงานด้วยคริปโต

เนื้อเรื่องของโครงการค่อย ๆ ขยับจากการเผยแพร่โมเดลเปิดไปสู่ธีซิสโครงสร้างพื้นฐาน AI แบบครบห่วงโซ่ เดิมทีเรื่องราวของ Dolphin โฟกัสที่โมเดลฟายน์จูนซึ่งไม่เซ็นเซอร์ ปรับทิศทางได้ และ alignment ที่ผู้ใช้ควบคุมเอง ซึ่งทำให้โครงการเป็นที่รู้จักในหมู่ผู้ใช้ local-AI แต่ยังไม่สร้างเศรษฐกิจโทเคนด้วยตัวมันเอง เรื่องราว Dolphin Network ช่วงหลังเพิ่มเลเยอร์ธุรกรรมเข้าไป: เจ้าของ GPU รันโมเดลที่รองรับ ผู้ใช้หรือแอปพลิเคชันใช้ inference ผู้ตรวจสอบยืนยันว่าผู้ให้บริการกำลังรันโมเดลที่อ้างจริงหรือไม่ และรายได้ของโปรโตคอลมีจุดประสงค์เพื่อสนับสนุนเศรษฐกิจของโทเคน โปรไฟล์จากบุคคลที่สามหลายแห่งอธิบายว่าสินทรัพย์ DPHN ดั้งเดิมมีการย้ายหรือรีแบรนด์เป็น POD ในช่วงต้นปี 2026 และสื่อเกาหลีรายงานว่า Upbit เพิ่มตลาดซื้อขาย POD เมื่อวันที่ 2 ตุลาคม 2026 ซึ่งขยายการมองเห็นของสินทรัพย์บนตลาดแลกเปลี่ยนอย่างมีนัยสำคัญ แต่ไม่ได้เปลี่ยนคำถามพื้นฐานว่าความต้องการ inference จริงจะสามารถขยายเกินการเก็งกำไรด้านราคาหรือไม่

Dolphin Network ทำงานอย่างไร?

Dolphin ไม่ใช่เครือข่ายฉันทามติฐานล่าง (base layer) ในแบบที่ Bitcoin ใช้ proof-of-work หรือ Ethereum ใช้ proof-of-stake แต่เข้าใจได้ดีกว่าในฐานะโปรโตคอล DePIN ชั้นแอปพลิเคชันบน Base ที่ใช้ Ethereum Layer 2 ด้านล่างสำหรับการชำระธุรกรรมโทเคน ขณะเดียวกันประสานงานงาน GPU นอกเชนเพื่อทำ AI inference ฉันทามติทางเศรษฐศาสตร์ของเครือข่ายใกล้เคียงกับการยืนยันการให้บริการและการมีส่วนร่วมแบบผูกมัด มากกว่าการผลิตบล็อก ผู้ให้บริการนำ GPU มารวมในพูล inference รับคำขอ และได้รับค่าตอบแทนสำหรับ compute ที่เป็นประโยชน์ ฝั่งตัวตรวจสอบหรือรูทีนการยืนยันจะพยายามตรวจจับการให้บริการไม่ซื่อสัตย์ การรันโมเดลผิด หรือการสร้างผลลัพธ์ปลอม คำอธิบายสาธารณะของโครงการเน้นการเข้ารหัส การตรวจแบบสุ่ม และการผูกมัดเชิงคริปโตเศรษฐศาสตร์ ขณะที่ โปรไฟล์ Dolphin ของ CoinGecko อธิบายว่าเครือข่ายใช้การผูกมัดและการตรวจแบบสุ่มเพื่อรักษาความถูกต้องของผลลัพธ์

ความท้าทายทางเทคนิคที่แตกต่างคือการทำให้ AI inference ตรวจสอบได้ในราคาถูกเป็นเรื่องยาก เอกสารสาธารณะและโปรไฟล์ข้อมูลตลาดของ Dolphin ระบุเทคนิคต่าง ๆ เช่น การพิมพ์ลายนิ้วมือโมเดล การตรวจเช็ก log-probability และการสุ่มตัวอย่างเพื่อตรวจสอบ ซึ่งออกแบบมาเพื่อพิสูจน์ว่าโหนดกำลังรันโมเดลที่คาดหวังโดยไม่ต้องคำนวณคำตอบซ้ำทุกครั้งผ่านเซิร์ฟเวอร์ศูนย์กลางที่เชื่อถือได้ เครือข่ายยังดูเหมือนกำลังสร้างรอบ ๆ Sonar ซึ่งเป็นสแตก inference ที่เกี่ยวข้องกับ Dolphin สำหรับเสิร์ฟโมเดลบน Hugging Face ผ่าน API ที่เข้ากันได้กับ OpenAI โดยมีเอกสารครอบคลุมการดีพลอยแบบ production, การดีพลอยแบบ distributed และการเลือกวิธี parallelism เอกสารเหล่านี้บ่งชี้ถึงการโฟกัสด้านวิศวกรรมอย่างจริงจังกับการเสิร์ฟโมเดล การ batching parallelism ระดับ tensor และ pipeline และการประมวลผลแบบหลายโหนด แม้ว่าสิ่งนี้จะไม่เท่ากับการพิสูจน์ว่า marketplace GPU สาธารณะแบบกระจายสามารถเทียบผู้ให้บริการ inference แบบศูนย์กลางได้อย่างน่าเชื่อถือในด้าน latency เวลาให้บริการ ต้นทุน และการควบคุมการใช้งานในทางที่ผิด

โทเคโนมิกส์ของ DPHN เป็นอย่างไร?

โทเคนของ Dolphin ปัจจุบันมักถูกติดตามในชื่อ POD แม้ว่าหลายแหล่งอ้างอิงยังเชื่อมโยงกับแบรนด์ DPHN เดิม ณ ต้นเดือนตุลาคม 2026 CoinGecko, ข้อมูลโทเคนของ DefiLlama และ Coinranking แสดงอุปทานรวมหรืออุปทานสูงสุดราว 500 ล้านโทเคน โดยมีอุปทานหมุนเวียนในช่วงกว่า 80 ล้านโทเคนเล็กน้อย และส่วนใหญ่ของโทเคนถูกถือไว้ในกระเป๋า treasury มูลนิธิ การ stake หรือกระเป๋าที่ล็อกอยู่ โครงสร้างนี้สร้างโปรไฟล์ความเสี่ยงด้าน free-float สูง: แม้ว่าการปล่อยโทเคนจะผูกกับงานที่เป็นประโยชน์ แต่อุปทานหมุนเวียนที่ค่อนข้างเล็กหมายความว่าการปลดล็อกในอนาคต รางวัลให้ผู้ให้บริการ การจูงใจ staking หรือการเคลื่อนไหวของ treasury สามารถครอบงำพฤติกรรมตลาดในระยะสั้นได้ โทเคนจึงไม่ได้มีสถานะ deflationary อย่างชัดเจนเพียงเพราะมีการพูดถึงการซื้อคืน เส้นทางอุปทานที่มีผลขึ้นอยู่กับว่า balance ที่ล็อกไว้จะเข้าสู่วงหมุนเวียนเร็วเพียงใด การปล่อยโทเคนให้ผู้ให้บริการ GPU ถูกคาลิเบรตอย่างไร และดีมานด์ซื้อคืนมีขนาดพอที่จะชดเชยการกระจายใหม่หรือไม่

ยูทิลิตี้ที่ระบุของโทเคนมีสามด้าน: การชำระเงินหรือการบันทึกบัญชีสำหรับ inference รางวัลให้ผู้ให้บริการ GPU และการผูกมัดหรือ staking สำหรับผู้เข้าร่วมเครือข่าย โปรไฟล์จากบุคคลที่สามอธิบาย vault staking ชื่อ xPOD และระบบตัวคูณรางวัลสำหรับผู้ให้บริการที่วางพันธบัตร ขณะที่บทอธิบาย Dolphin ของ Coinranking ระบุว่ารายได้ของโปรโตคอลมีจุดประสงค์เพื่อนำไปซื้อคืน POD จากตลาดเปิด และผู้ให้บริการสามารถ stake เป็น xPOD เพื่อรับยิลด์เพิ่มเติมหรือบูสต์รางวัล สิ่งนี้ทำให้ Dolphin มีเรื่องเล่าว่าด้วยการดึงมูลค่า (value accrual) ที่ชัดกว่า utility token หลายตัว แต่ก็นำมาซึ่งคำถามเชิงวิเคราะห์เช่นกัน หากผู้ใช้จ่ายด้วยสินทรัพย์ที่ไม่ใช่ native และโปรโตคอลแปลงรายได้เป็นการซื้อคืน POD ดีมานด์โทเคนก็เป็นแบบอ้อมและขึ้นกับการใช้ inference แบบเสียเงินจริง หากแรงจูงใจ GPU สูงกว่ารายได้ออร์แกนิก เศรษฐกิจโทเคนก็ยังอาจกลายเป็น inflationary ในทางปฏิบัติได้ หากยิลด์ staking ได้รับการสนับสนุนโดยการปล่อยโทเคนมากกว่าการไหลของค่าธรรมเนียม ยิลด์ก็เป็นเพียงกลไกกระจายโทเคนใหม่มากกว่าจะเป็นหลักฐานของการสร้างกระแสเงินสดที่ยั่งยืน

ใครกำลังใช้งาน Dolphin อยู่บ้าง?

ภาพการใช้งานที่สังเกตได้มีทั้งด้านบวกและข้อจำกัด ด้านหนึ่ง Dolphin มีรอยเท้าโมเดลเปิดที่น่าเชื่อถือ: องค์กรบน Hugging Face ของมันมีรายการคลังโมเดลจำนวนมาก รวมถึง Dolphin-Mistral และเวอร์ชันแบรนด์ Venice และโครงการมีทั้งเว็บอินเทอร์เฟซและบอต Telegram เป็นช่องทางให้ผู้ใช้ปลายทาง อีกด้านหนึ่ง ปริมาณการซื้อขายโทเคนไม่เท่ากับดีมานด์ inference ณ ต้นเดือนตุลาคม 2026 หน้าข้อมูลตลาดแสดงปริมาณซื้อขายบนตลาดแลกเปลี่ยนที่มีนัยสำคัญ โดยเฉพาะหลังได้รับความสนใจจากตลาดเกาหลี แต่ข้อมูลสาธารณะเกี่ยวกับเมตริกที่ยั่งยืนอย่างเช่น ลูกค้า API แบบจ่ายเงิน จำนวนคำขอ inference รายวัน โหนด GPU ที่ใช้งาน งานที่เสร็จแล้ว รายได้ประจำ หรือการรักษาลูกค้ายังมีอยู่อย่างจำกัด สำหรับการประเมินในมุมสถาบัน การยอมรับจริงของ Dolphin ควรถูกตัดสินโดยดูจากว่าแอปพลิเคชันบุคคลที่สามส่งงาน production มายังเครือข่ายในสเกลมากน้อยเพียงใด มากกว่าจะดูจากมูลค่าซื้อขาย spot

ตัวอย่างระบบนิเวศที่จับต้องได้มากที่สุดคือ Venice.AI โปรไฟล์ตลาดหลายแห่งระบุว่า Dolphin จัดหา หรือร่วมพัฒนา โมเดลเวอร์ชันไม่เซ็นเซอร์ที่ Venice ใช้งาน และสื่อเกาหลีอ้างอิงถึง Dolphin Mistral 24B Venice Edition โดยเฉพาะว่าเป็นโมเดลที่เชื่อมโยงกับ Venice นี่เป็นจุดยึดที่สำคัญเพราะมันเชื่อมงานพัฒนาโมเดลของ Dolphin เข้ากับแอปพลิเคชัน AI ภายนอก แทนที่จะโยงกับการเก็งกำไรโทเคนเพียงอย่างเดียว อย่างไรก็ตาม ระดับการพึ่งพากันในเชิงเศรษฐกิจยังไม่ชัดเจน ไม่โปร่งใสอย่างสมบูรณ์จากข้อมูลสาธารณะ: ความพร้อมใช้งานของโมเดล สถานะเป็นโมเดลเริ่มต้น และการผสานรวม ไม่ได้พิสูจน์โดยอัตโนมัติว่ามีรายได้ประจำจำนวนมากไหลสู่โปรโตคอล Dolphin นอกเหนือจาก Venice แล้ว ฐานผู้ใช้งานที่น่าจะมีของ Dolphin ประกอบด้วยผู้ใช้ local AI เจ้าของ GPU นักพัฒนา AI bot แอปพลิเคชันเกมเชิงทดลองหรือ NPC และโครงการ AI เชิงคริปโตเนทีฟ แต่การยอมรับในวงกว้างจากองค์กรขนาดใหญ่ยังไม่ถูกพิสูจน์ในลักษณะที่นักลงทุนโครงสร้างพื้นฐานสถาบันต้องการ

ความเสี่ยงและความท้าทายของ Dolphin มีอะไรบ้าง?

Dolphin เผชิญกับความไม่ชัดเจนด้านกฎระเบียบในสหรัฐฯ แบบมาตรฐานที่ผูกกับโทเค็นยูทิลิตี้ขนาดเล็กที่มีการ staking, bonding, การปล่อยโทเค็น (emissions) และการเล่าเรื่องเชิงการสะสมมูลค่า ณ ต้นเดือนตุลาคม 2026 ยังไม่มีการรายงานอย่างกว้างขวางถึงการบังคับใช้กฎหมายเฉพาะกับ Dolphin จาก SEC หรือ CFTC การอนุมัติ ETF หรือการจัดประเภทเป็นสินค้าโภคภัณฑ์อย่างเป็นทางการ แต่การไม่มีการเอ่ยชื่อในคดีไม่ได้เท่ากับความชัดเจนด้านกฎระเบียบ โทเค็นที่เรื่องราวด้านมูลค่ารวมถึงการซื้อคืน การให้ผลตอบแทนจากการ staking รางวัลแก่ผู้ดำเนินการ (operator) และกิจกรรมเชิงพาณิชย์ที่บริหารโดยมูลนิธิ อาจดึงดูดการตรวจสอบเพิ่มเติม หากหน่วยงานกำกับดูแลมองว่าผู้ซื้อพึ่งพาความพยายามด้านการจัดการเพื่อแสวงหากำไร การปรับใช้โปรเจกต์บน Base ยังเพิ่มความเสี่ยงด้านสมาร์ตคอนแทร็กต์และกุญแจแอดมิน ขณะที่โปรไฟล์จากบุคคลที่สามได้กล่าวถึงความกังวลเกี่ยวกับความสามารถของผู้สร้างหรือผู้ดูแลระบบ และการถือครองโทเค็นที่มีการกระจุกตัวสูง ภาวะรวมศูนย์ไม่ใช่แค่ประเด็นทางกฎหมายเท่านั้น; แต่ยังปรากฏในด้านการควบคุมคลังทรัพย์ การกำกับดูแลโมเดล การออกแบบระบบยืนยันความถูกต้อง การเข้าถึงทรัพย์สินทางปัญญาหลัก และว่าระบบเครือข่าย GPU จะยังคง permissionless ได้หรือไม่ ในขณะที่ยังป้องกันผู้ให้บริการคุณภาพต่ำหรือผู้ไม่หวังดี

ภัยคุกคามเชิงการแข่งขันมีนัยสำคัญ เนื่องจากการประมวลผล AI แบบกระจายศูนย์เป็นหนึ่งในธีมโครงสร้างพื้นฐานคริปโตที่มีผู้เล่นหนาแน่นที่สุด Dolphin แข่งขันโดยอ้อมกับเครือข่ายคอมพิวต์ที่ถูกโทเค็นไลซ์ เช่น Render, Akash, Bittensor, io.net และระบบใหม่ ๆ ที่เน้น inference โดยเฉพาะ ขณะเดียวกันก็แข่งขันโดยตรงกับผู้ให้บริการ inference แบบรวมศูนย์ที่มีอยู่แล้ว ซึ่งให้บริการด้วย latency ต่ำ ความเสถียรในการออนไลน์ที่คาดการณ์ได้ เครื่องมือด้านคอมพลายแอนซ์ และการสนับสนุนระดับองค์กร ความเชี่ยวชาญในโมเดลแบบเปิดและการวางตำแหน่งตัวเองเป็นแพลตฟอร์มโมเดลไม่เซ็นเซอร์อาจดึงดูดฐานผู้ใช้เฉพาะกลุ่ม แต่ก็อาจทำให้กลุ่มลูกค้าองค์กรแคบลง เนื่องจากองค์กรเหล่านี้ต้องการตัวกรองด้านความปลอดภัย การชดใช้ค่าเสียหาย การควบคุมข้อมูล และการรับประกันด้านกฎระเบียบ ภัยคุกคามทางเศรษฐกิจนั้นตรงไปตรงมา: หากผู้ให้บริการแบบรวมศูนย์ลดราคาการ inference ได้เร็วกว่าที่ Dolphin จะประสานงานซัพพลายที่เชื่อถือได้ หรือหากเครือข่าย DePIN คู่แข่งเสนอช่องสภาพคล่องลึกกว่าและเครื่องมือสำหรับนักพัฒนาที่ดีกว่า แรงจูงใจจากโทเค็นของ Dolphin อาจเพียงแต่ช่วยอุดหนุนกิจกรรม โดยไม่สามารถสร้างส่วนแบ่งตลาดที่ยั่งยืนได้

แนวโน้มในอนาคตของ Dolphin เป็นอย่างไร?

แนวโน้มของ Dolphin ขึ้นอยู่กับความสามารถในการเปลี่ยนแบรนด์โมเดลแบบเปิดที่เป็นที่รู้จักให้กลายเป็นเครือข่าย inference ที่เชื่อถือได้และสร้างรายได้ มากกว่าการมองที่การมองเห็นในตลาดโทเค็น ไมล์สโตนที่มีการยืนยันที่สำคัญที่สุดในช่วงที่ผ่านมา ได้แก่ การเปลี่ยนผ่านตลาดจาก DPHN ไปสู่ POD การปรับใช้โทเค็นบน Base การขยายไปยังตลาดแลกเปลี่ยนในเกาหลีช่วงตุลาคม 2026 การเผยแพร่โมเดล Dolphin อย่างต่อเนื่องบน Hugging Face และการพัฒนา Sonar ให้เป็นสแตกสำหรับให้บริการโมเดลในระดับโปรดักชัน ธีมในโรดแมปของโปรเจกต์ดูเหมือนจะรวมถึงการขยาย API สาธารณะ การมีส่วนร่วมของโหนดในระดับที่โตขึ้น กลไก staking และ bonding การยืนยันความถูกต้องที่แข็งแกร่งขึ้น และอาจรวมถึง inference แบบชาร์ดหรือแบบกระจายสำหรับโมเดลขนาดใหญ่ แต่ละอย่างล้วนเป็นไปได้ในเชิงเทคนิค แต่แต่ละอย่างก็เพิ่มความซับซ้อนด้านปฏิบัติการ: การทำ inference แบบกระจายบน GPU ที่หลากหลายและไม่น่าเชื่อถือทำได้ยากกว่าการจัดเส้นทางธุรกรรมโทเค็นธรรมดา ๆ และลูกค้า inference มักยอมรับความผันผวนของ latency น้อยกว่าที่ผู้ใช้ DeFi ยอมรับความผันผวนของ block time

อุปสรรคเชิงโครงสร้างคือการพิสูจน์ว่าโทเค็นช่วยปรับปรุงตลาดคอมพิวต์ แทนที่จะเป็นเพียงกลไกการระดมทุนเท่านั้น Dolphin ที่อยู่รอดได้อย่างแท้จริงจะต้องมีรายงานที่โปร่งใสเกี่ยวกับรายได้จาก inference การซื้อคืนโทเค็น การปล่อยรางวัลแก่ผู้ดำเนินการ จำนวนโหนดที่ใช้งานอยู่ ดีมานด์ในระดับโมเดล ความล้มเหลวของการยืนยัน และการกระจุกตัวของลูกค้า หากไม่มีเมตริกเหล่านี้ ตลาดก็จำเป็นต้องคาดคะเนการใช้งานจากการลิสต์บนเอ็กซ์เชน ความสนใจบนโซเชียล และจำนวนการดาวน์โหลดโมเดล ซึ่งทั้งหมดเป็นตัวแทนที่อ่อนแอเมื่อเทียบกับกระแสเงินสดของโปรโตคอล วิทยานิพนธ์โครงสร้างพื้นฐานของ Dolphin มีความสอดคล้องในตัวเอง โดยเฉพาะเมื่อมองถึงดีมานด์เชิงโครงสร้างสำหรับ AI inference และความไม่มีประสิทธิภาพของ GPU ว่างที่ไม่ได้ใช้งาน แต่โปรเจกต์ยังคงอยู่ในระยะเริ่มต้นและต้องพึ่งการลงมือทำอย่างมาก อนาคตของมันจะถูกกำหนดโดยคุณภาพและความน่าเชื่อถือของเครือข่าย ไม่ใช่โดยการเคลื่อนไหวของราคาในระยะสั้น และนักลงทุนควรให้ความสำคัญกับการส่งมอบตามโรดแมป การกระจุกตัวของซัพพลาย และดีมานด์จาก inference แบบเสียเงินจริงเป็นตัวแปรหลัก