全球最強大的 AI 大模型，現時都掌握在少數大型公司手上：由它們訂價、決定誰可以接入，亦獨佔模型從用戶數據中學到的每一個權重與參數。
Sentient（代幣：SENT）在 2026 年面世，直接向這種壟斷模式開戰，打造一個開放式 AI 平台，讓貢獻者在自己協助訓練的模型中，持有可驗證的「實益持份」。其代幣在 2026 年 7 月單日急升約 26%，反映市場對「去中心化 AI」敘事高度關注。
不過，Sentient 並非孤軍作戰。一批新興協議正利用區塊鏈，強制落實模型的開放「產權」安排、協調分布式訓練，並建立推理（inference）市場：任何人只要提供算力便可賺取獎勵。要分辨哪些是真正基建、哪些只是炒作，關鍵是理解這些網絡在「激勵機制、密碼學保障及鏈上結算」層面如何實際運行。
重點整理（TL;DR）
- 去中心化 AI 網絡利用區塊鏈，為 AI 模型落實強制性的產權安排，確保貢獻者不會在訓練完成後被「剃光羊毛」。
- 把訓練與推理解耦成兩層經濟：在每個階段，參與者就算力與數據貢獻獲得獎勵，並全程在鏈上記錄。
- 透過零知識證明或密碼學證明，網絡可以在毋須重跑整個模型的情況下，驗證推理結果是否真實。
- 治理代幣賦予持有人對模型升級、費率結構及存取規則的表決權。
- 核心取捨在於效能對比可驗證性：全鏈上推理仍比中心化 API 慢且貴，但兩者差距正在快速收窄。
為何封閉式 AI 為開放網絡埋下結構性隱患
每一個大型 AI 模型背後，都有龐大數據來源。用戶、研究人員及開源社群，不停產出文字、程式碼及影像，成為模型學習的素材。在現行中心化模式下，這些貢獻者得不到任何回報，訓練模型的公司則把全部價值據為己有。
問題會隨時間複利惡化：一旦優質貢獻者意識到自己的數據被免費「抽水」，便會停止公開分享。其後模型的訓練數據，只能依賴公司能在法律上爭辯通過的來源，往往涉及在有爭議的服務條款下，掃描公開網頁。整個訓練鏈條，從協作走向「掠奪」。
去中心化 AI 網絡提出另一套安排：在訓練開始前，先把所有貢獻者在鏈上登記；他們提供的數據與算力會被記錄為可驗證的輸入。其後，模型使用產生的收入，會依照事前寫入智能合約、不得事後修改的規則，在鏈上自動分配回這些貢獻者，而非全數落入單一公司口袋。
區塊鏈本身並不負責跑 AI 模型的運算，而是作為「合約執行層」，確保產權與分潤協議被嚴格執行，令自願貢獻變得有經濟理性。
延伸閱讀： https://yellow.com/news/bnb-chain-agentic-trading-bnb-breakout
鏈上模型「產權」如何具體落地
在去中心化 AI 網絡中，「擁有一個模型」並不是把某個檔案存放在自己硬碟。訓練完成的 AI 模型，是一組龐大的數值權重——動輒以十億級浮點數計——分布儲存在多個節點。所謂「擁有模型」，實際是持有一份可被執行、受協議保障的權益：包括該模型未來收入的分成，以及對其後續發展的治理權。
具體機制通常來自模型首度訓練完成時的一次「鑄造事件」。模型首次部署時，網絡會發行一批與該模型一一對應的「產權代幣」，總量固定。訓練期間提供數據、算力或程式碼的參與者，按其貢獻比例獲分配這些代幣。
分配公式在訓練開始前已寫入智能合約，事後不能追溯更改。
每當有用戶付費調用模型進行推理——不論是要求預測、生成文本，或產生向量嵌入——所收取的費用會按預設比例，在實際執行推理的基建供應商與「模型產權代幣」持有人之間分帳。具體分成由治理決定。若模型變得廣泛使用，早期貢獻者便可持續按收入比例獲得回報，而毋須再額外勞動，結構上類似「權利金」。
Sentient 更在此基礎上加入所謂「Sentient 模型指紋」機制：每一個在 Sentient 平台上訓練完成的模型，都嵌入一個密碼學指紋，令其輸出結果可以回溯到具體模型版本。
這有助偵測他人是否把模型權重私自複製，在未支付任何「產權費」下私自執行推理——這在封閉權重世界極易發生，卻難以舉證。指紋加上鏈上記錄，構成一條可審計軌跡，令即使用「開放權重」，收入執行與追討仍有技術依據。
延伸閱讀： https://yellow.com/news/deepseek-cheap-ai-openai-anthropic
兩大經濟層：分布式訓練與推理市場
去中心化 AI 網絡，會把 AI 全生命週期拆成兩個獨立但互補的經濟層。要理解其設計，必須分開看這兩層，因為參與者類型、激勵結構及技術挑戰都截然不同。
訓練層 是模型學習的地方。在傳統中心化架構中，由單一公司在自家硬件上完成整個訓練流程；在去中心化網絡內，訓練則分散至眾多參與者手上，各自負責部分運算。
真正難度在於協調：所有參與者必須在每一步梯度更新上，就模型狀態達成共識。這需要一套專門為「梯度更新」而非金融交易而設的共識機制。像 Bittensor 與 Gensyn 等項目，便針對這點設計了專用協議，透過鏈上評分系統評估每次梯度貢獻的品質，並按表現派發獎勵。
推理層 則是已訓練完成的模型，面向終端用戶產生輸出的階段。與訓練相比，推理具備重複性高、時間敏感、較易驗證等特性：用戶發出查詢，由推理供應商在其硬件上執行模型，然後回傳結果。問題在於：用戶如何確定供應商真的跑的是「正牌模型」，而不是為節省成本而以廉價模型冒充？
這正是推理市場有趣之處：多個供應商會就同一查詢「競價接單」，中標者執行模型，回傳結果之餘，亦須提交密碼學證明。其他供應商可以透過「挑戰機制」抽查結果；若證明中標者作弊，其押注抵押會被沒收。誠實供應商則可賺取手續費。如此一來，市場結構本身就產生了「為準確性下注」的誘因，而毋須整個網絡對每一次推理解答逐一重驗。
「推理市場的經濟設計，近似預測市場：參與者為自己輸出的正確性押注；若結果被證明有誤，便會遭到類似權益證明網絡（proof-of-stake）中『削減質押』（slashing）的懲罰機制。」
延伸閱讀： https://yellow.com/news/grok-45-beats-fable-5-opus-48-agent-ai-test
如何用密碼學證明驗證模型輸出，而毋須重跑一次
去中心化 AI 目前最棘手的技術難題是「驗證」。跑一次大型語言模型已相當昂貴，再為了驗證同一結果而重跑一次，在大規模應用下根本不具經濟可行性。但若沒有驗證機制，整套激勵結構便會崩潰——供應商完全可以隨便輸出一段「看似合理」的內容，然後收取費用。
截至 2026 年，業界主要沿兩條路徑研發：
推理的零知識證明（ZK）：由供應商生成一份嚴格的數學證明，證明其確實完成了某一特定運算；驗證者只需檢查證明，而毋須重新執行整個模型，也不會暴露模型權重。驗證成本顯著低於生成證明成本。Modulus Labs、ZKML 等項目，已在較小規模模型上作出示範；但一旦推廣至 700 億參數級別的前沿模型，證明生成開銷仍非常巨大——為單次推理生成證明，可能需在專用硬件上耗時數分鐘，而實際推理只需數毫秒。
帶欺詐證明的樂觀執行（optimistic + fraud proofs）：此路徑源自 以太坊 (ETH) 的樂觀卷疊設計。網絡預設所有結果皆正確，除非在指定時間窗內有人提出挑戰。任何人都可以在「參考節點」上重跑相關計算，若證明原始結果有誤，提供錯誤結果的供應商會被沒收質押，而成功舉報者可獲獎勵。
這種模式在「大多數供應商守規矩」的情況下，整體速度較快，但會引入結果最終確認的延遲。
多數 2026 年的實際系統，都採用混合架構：日常查詢以樂觀執行為主，再隨機抽樣部分請求，以零知識證明進行「抽查」，不必為每一次請求都付出高昂驗證成本。至於「抽查比例」，則可作為一個由代幣持有人治理的參數，隨著證明成本下降逐步調整。
延伸閱讀： https://yellow.com/news/openai-safety-veteran-exit-history
治理代幣在模型發展中的權力角色
在去中心化 AI 網絡中，治理代幣不只用來表決協議升級，還直接左右模型本身的經濟價值：包括未來微調時可以使用哪些數據集、應套用甚麼安全與內容審核濾鏡、推理費用如何在供應商與產權持有人之間分配，以及模型權重是否、何時可以完全開源，還是必須維持受限狀態。
這種安排，與封閉式 AI 形成實質上不同的權力結構：決策權不再集中在單一公司董事會，而是由持有治理與產權代幣的一眾參與者分散掌控。 在傳統的中心化模型架構下，由公司內部的安全團隊決定應該設哪些「護欄」；但在去中心化網絡中，這些決定則由代幣持有人共同作出，利益立場往往大相逕庭。
重視「模型火力」的貢獻者，可能會反對任何會拉低特定任務表現的安全限制；相反，受本地監管約束較多的參與者，則傾向支持更嚴格的內容過濾。
多數網絡最終都走向一套「兩層式治理」架構：由代幣持有人選出的核心委員會（core council），負責處理無法等候完整投票流程的緊急安全決策；至於收費機制、收益分成等較宏觀、具經濟影響的參數，則交由全體代幣持有人，在較長的討論期內投票決定。這種安排與多個 DeFi 協議（如 Aave、Compound）後來採用的模式相似——在經歷過「完全鏈上、完全直接民主」後，市場發現這種設計極易被「低參與率攻擊」及「臨門一腳式操票」所利用。
AI 模型治理還牽涉一個該領域獨有的難題：模型升級後「它還是不是原來那個模型」。早期參與訓練的貢獻者，持有的是代表該版本模型價值的代幣；一旦社群通過大型微調（fine-tuning），令模型行為大幅改變，他們手上的代幣，究竟是否仍然對應同一資產？大部分協議的處理方式，是為每一個重大版本增發新代幣，並按比例向舊持有人派發，相當於傳統股權市場中，母公司拆分子公司時向股東派發新股。
延伸閱讀：Bitcoin 衝上 63,000 美元，戰事傳聞主導走勢
數據貢獻、私隱與「聯邦訓練」難題
任何去中心化 AI 網絡，其中一條最核心的設計題，是：數據貢獻者如何在不暴露私隱的前提下參與？醫療紀錄、財務數據、個人通訊內容等，都是訓練專用 AI 模型時最值錢的素材，但這類資料絕不可能「一股腦」上載到公共網絡，否則必然觸發嚴重的私隱與監管風險。
**聯邦學習（Federated learning）**是目前的「半套解法」。與其把原始數據送到一個中心化訓練節點，不如由每位貢獻者在本地，用自己的數據訓練一個模型更新，再只把「梯度」（即模型權重應該往哪個方向調整的數學訊號）提交到網絡。網絡會在從頭到尾都「看不到原始數據」的情況下，將眾多參與者的梯度整合起來；模型仍然可以「吃到」私隱數據的價值，但數據本身從未離開貢獻者的掌控範圍。
在這裏，區塊鏈的角色主要是「協調與結算」：智能合約記錄每一輪訓練中，哪些地址提交了梯度，並透過鏈上的評估函數，為每個梯度打分，按其質素與貢獻度派發獎勵。這裏的評估問題並不簡單——有人可以提交隨機梯度，博取獎勵，卻沒有實際算力付出。像 FedML 和 Sentient 自家訓練框架這類協議，會利用密碼學承諾與延遲揭露機制來防止作弊：參與者必須先對自己的梯度作出「承諾」，在未看到其他人提交內容之前鎖定，再於之後揭露，令造假更易被識破。
其上，通常會再疊加一層差分私隱（Differential privacy），為「最終公開的模型權重」提供形式化的數學保證，確保任何單一訓練樣本，都無法被從模型中逆向還原。所謂「私隱預算」，即模型允許對任何單一數據點「洩露」多少訊息，也是治理的一個關鍵參數——代幣持有人需要在模型效用與貢獻者私隱保護之間，取得一個可以接受的平衡。
「聯邦學習加差分私隱，令去中心化 AI 網絡能夠對『數據私隱』給出一個有說服力的答案：數據從未離開貢獻者手上，網絡從頭到尾看不到它，但模型卻仍然因此變得更聰明。」
延伸閱讀：GPT-5.6 擊敗人類實習生？OpenAI 新模型再度惹議
現階段誰真正受惠於去中心化 AI 網絡？
理解機制是一回事，搞清楚「在 2026 年誰應該真正關心這件事」又是另一回事。這套技術在某些場景已非常實用，在另一些則明顯不合算。
獨立 AI 研究者與開源開發者，目前是最明顯的贏家。他們可以把算力或精心整理的數據集，投入到自己看好的模型上，換取可驗證的所有權份額，並按模型實際使用量持續分成。相較之下，為 LLaMA 等開源衍生模型無償貢獻，只能換來名聲，模型一旦被商業化，開發者卻拿不到任何實質經濟回報。
擁有專有數據、又背負合規壓力的企業，對聯邦式訓練架構的興趣則愈來愈濃。一家醫院若要訓練專門的醫療 AI，根本不可能把病歷交給某個中心化供應商；一個去中心化、聯邦訓練的網絡，則容許它在資料長駐院方系統的情況下，仍可參與模型訓練。鏈上的所有權紀錄，亦為審計及合規提供了可追溯的證據。
DeFi 協議與 Web3 應用，則需要一種「不會被 API 供應商隨時拔線」的 AI 推理服務。比如利用 AI 抽取現實世界事件數據的預測市場，不能承受其 AI 供應商在運作中途突然關閉 API。去中心化的推理市場，為這類應用提供了冗餘及抗審查能力，是中心化 API 結構上無法給予的。
散戶代幣持有人的處境則最為模糊。持有治理代幣，理論上有投票權及分潤權，但要真正捕捉到價值，需要積極參與決策；反之，長期不投票的被動持有人，實際上會被積極參與者「稀釋」。這種情況與持有 DeFi 協議治理代幣極為相似：向上空間實在存在，但你必須願意「落場」參與，才有機會拿到。
延伸閱讀：Bitwise 申請 Solana ETF，監管博弈再升級
真實的取捨：效能 vs 可驗證性
任何談論去中心化 AI 的文章，如果不正視現階段的技術短板，都是不完整的。問題的核心在於一個難以迴避的張力：AI 計算愈容易被「嚴格驗證」，成本和延遲就愈高。
以中心化 API 為例，像 OpenAI 的 GPT-5，典型查詢的推理結果，大約 500 毫秒就能返回；但如果要對相近規模的模型，完全以零知識證明方式驗證整個推理過程，在 2026 年的技術水平下，即使算力充裕，亦往往需要 30 秒至數分鐘不等。對於需要低延遲的應用——即時交易訊號、實時內容審核、互動聊天機械人等——這個差距仍然完全無法接受。
所謂的「樂觀執行」方案，大幅收窄了這個鴻溝。採用樂觀推理時，初步結果的延遲幾乎與中心化 API 相若；代價則是「最終確定性」的延遲——應用需要等待挑戰窗口結束，才可把結果視為「不可推翻」。對大部分 Web3 場景而言，幾分鐘的挑戰期仍屬可接受；但對實時性要求極高的應用，就仍然難以落地。
成本方面，去中心化的優勢則更明顯。中心化 API 供應商，尤其是掌握前沿模型者，憑藉壟斷能力，可以為頂級模型收取高昂溢價；相反，在多個供應商相互競價的推理市場中，價格更接近算力的邊際成本。早期數據顯示，在 Akash Network 等去中心化算力市場上，若不追求「最尖端能力」、而是使用已相對成熟的模型，透過去中心化網絡租用 GPU 的實際推理成本，往往比同級中心化 API 便宜 30–60%。
一句實在的總結，是：去中心化 AI 網絡，現階段已足以支撐「對延遲容忍度較高、對私隱與抗審查要求較強」的生產級應用；至於需要「實時響應 + 絕對前沿模型能力」的場景，中心化供應商短期內仍有頗為鞏固的優勢。從專用硬件到 zkML 研究的發展路徑來看，兩者之間的差距預期會逐步收窄，但在可見未來內，很難完全抹平。
延伸閱讀：Bitget 推分級保證金 CFD 跟單交易，新手風控添一重
結語
去中心化 AI 網絡，並不是想取代那些負責訓練前沿模型的大型 GPU 集群。
它們要搭建的，是一個覆蓋 AI 開發之上的「經濟與法律層」：令自願貢獻變得有經濟理性、令開放式所有權得以被嚴格執行、令推理收入可以被審計追蹤。區塊鏈在這裏扮演的，是產權登記處與結算層，而不是一台超級電腦。
Sentient 在 2026 年 7 月的急升，反映市場開始將一個觀點「入價」：在資本雄厚的封閉式競爭對手夾擊下，開放式 AI 若要長期存活，必須有一套可信的經濟模型。無論是鏈上模型指紋、配合密碼學驗證的推理市場，還是具差分私隱保障的聯邦訓練，這些機制都不再停留在白皮書，而是在實際運行的網絡上，真金白銀地向貢獻者付款。