全球最強大的人工智能模型，現時由少數大型公司壟斷控制。它們決定收費水平、決定誰可以接入，亦完全擁有模型從用戶數據中學習到的每一個權重與參數。
Sentient（代號 SENT）在 2026 年面世，目標正面挑戰這種格局，搭建一個開放式 AI 平台，令貢獻者可以實質持有自己協助訓練模型的可證明權益。其代幣在 2026 年 7 月單日急升約 26%，反映市場正聚焦「去中心化 AI」的投資敘事。
不過，Sentient 並非孤軍作戰。愈來愈多協議開始利用區塊鏈，強制執行開放模型擁有權、協調分散式訓練，並建立推理（inference）市場，讓任何人都可貢獻運算力並賺取回報。要分辨哪些是真正基建、哪些只是炒作，必須理解這些網絡在激勵機制、密碼學與鏈上結算層面到底如何運作。
重點整理
- 去中心化 AI 網絡以區塊鏈落實模型的產權，確保貢獻者在模型訓練完成後不會被「切走水喉」。
- 將「訓練」與「推理」拆成兩個經濟層，貢獻者在每一階段為運算力與數據獲得獎勵，並全程於鏈上記錄。
- 透過密碼學證明（零知識證明或密碼學憑證），網絡可在無需重跑整個模型的情況下，驗證推理結果是否真確。
- 治理代幣賦予貢獻者投票權，可決定模型更新、費用結構與存取規則。
- 核心取捨在於效能 vs 可驗證性：全鏈上推理仍較中心化 API 慢兼昂貴，但兩者差距正急速收窄。
為何封閉式 AI 對開放網絡構成結構性問題
每一個大型 AI 模型，背後都依賴某些來源的數據。用戶、研究人員和開源社群，提供了模型學習所需的文字、程式碼與圖像。在現行中心化模式下，這些貢獻者幾乎一無所獲，訓練模型的公司卻可把全部價值收入囊中。
這帶來「複利式」結構問題：當最優質的貢獻者意識到自己的數據被免費攫取、卻得不到補償，他們就會停止公開分享。
模型之後只能倚賴公司合法能取得的數據，往往是在具爭議性的服務條款下，大規模爬取開放互聯網內容，並在法院角力。整個訓練流程變成「抽取型」而非真正協作。
去中心化 AI 網絡提出另一套安排：在訓練開始前，所有貢獻者先在鏈上註冊；他們提供的數據與運算力，被記錄為可驗證的輸入。智能合約按照事先寫好、在任何人貢獻第一小時 GPU 之前就已鎖定的規則，將模型使用收入回分給這批貢獻者。
區塊鏈本身並不負責 AI 計算，它扮演的是「執行合約」的角色，確保擁有權安排得到強制履行，令自願貢獻變得有經濟理性。
延伸閱讀： https://yellow.com/agentic-trading
鏈上模型擁有權實際如何落地
在去中心化 AI 網絡中，「擁有模型」並不是擁有一個檔案那麼簡單。一個訓練好的模型，本質上是龐大的數值權重集合——動輒以十億計的浮點數——分散儲存在不同節點。擁有一個模型，真正代表的是：你擁有其未來收入的一部分可證明索償權，以及對其後續發展的治理權。
機制的核心，是綁定在模型首次訓練完成的「鑄造事件」。當模型首次部署時，網絡會發行一批與該模型專屬、數量固定的「擁有權代幣」。在訓練期間提供數據、運算力或程式碼的貢獻者，會按比例獲得相應分配。
分配公式在訓練開始前就已寫進智能合約，日後不得追溯修改。
每當有人付費調用模型進行推理——無論是預測結果、生成文本，或產出向量嵌入——相關費用就會在負責執行推理的基建供應商與模型擁有權代幣持有人之間分帳。分成比例由治理投票決定。換言之，一旦模型獲得廣泛採用，最初的貢獻者可持續獲得收益，而無需再額外投入勞動，本質上類似「權利金」機制。
Sentient 更進一步提出所謂「Sentient 模型指紋」（Sentient Model Fingerprinting）。在 Sentient 平台上訓練的每一個模型，均嵌入密碼學指紋，將推理輸出與具體的模型版本綁定。
這令另一種「盜版」行為變得可追蹤：有人如果偷偷複製模型權重，在鏈外私自運行推理、卻不付擁有權費用，理論上相當容易，但難以舉證。透過指紋機制，可以在鏈上建立審計軌跡，即使權重技術上是開放的，仍有利於執行收入分潤與侵權追究。
延伸閱讀： https://yellow.com/news/deepseek-cheap-ai-openai-anthropic
兩大經濟層：分佈式訓練與推理市場
去中心化 AI 網絡把 AI 生命週期拆成兩個截然不同的經濟層。理解這兩層，必須意識到它們牽涉的參與者、激勵設計及技術難題都不一樣。
訓練層 是模型學習的階段。在傳統中心化系統中，一間公司在自家硬件上完成所有訓練；在去中心化網絡中，訓練則拆散到眾多貢獻者，各自運行部分計算。
核心難題是「協調」：所有參與者必須在每一步都對模型狀態達成共識，這需要一套為「梯度更新」而非金錢交易設計的共識機制。Bittensor 和 Gensyn 等項目，已針對這一點構建了專門協議，以鏈上評分系統為每位參與者的梯度貢獻質素打分，再據此分配獎勵。
推理層 則是訓練完成後，模型為最終用戶產出結果的階段。推理在經濟上與訓練截然不同：它具有重複性、對時延敏感，而且相對容易驗證。典型流程是：用戶提交查詢，由推理供應商在自家硬件上運行模型，再把結果返回。關鍵問題是：用戶如何知道供應商確實運行了「指定模型」，而不是偷偷用一個更廉價的替代品？
這正是推理市場的切入點。多個供應商可以「競價」承接同一宗查詢；贏出者運行模型後，不單回傳結果，還要提交一份密碼學證明。其他供應商可透過「挑戰機制」抽查結果，若發現造假，失信的供應商會被沒收抵押品；守規矩者則賺取費用。這種市場結構在無需全網重覆驗證每一筆結果的前提下，仍然創造了追求準確性的經濟誘因。
「推理市場借鑑了預測市場的經濟設計：參與者以自身資本押注輸出結果的正確性，一旦輸出錯誤，便透過『削懲』（slashing）機制受到懲罰，這與權益證明網絡中處罰作惡驗證者的機制如出一轍。」
延伸閱讀： https://yellow.com/news/grok-45-beats-fable-5-opus-48-agent-ai-test
密碼學證明：如何在不重跑模型下驗證 AI 輸出
去中心化 AI 面對的最棘手技術難題，是「驗證」。跑一次大型語言模型已十分昂貴，要為了驗證結果再跑第二次，在規模經濟上幾乎說不通。但若欠缺驗證機制，整套激勵結構就會崩潰——推理供應商完全可以隨便生成一個看似合理的回答，照樣收費。
到 2026 年，兩條路徑正積極發展中。
推理用零知識證明（ZK Proofs for Inference）：這種方法允許供應商生成一個數學證明，證明某次計算是依照指定模型正確執行；驗證者無需知道模型權重，也無需重跑整個模型。驗證證明的成本遠低於生成證明。Modulus Labs 及 ZKML 等項目已在相對細小的模型上展示可行性，但一旦推到 700 億參數級別的前沿模型，證明生成本身仍非常昂貴——往往需要專用硬件運算數分鐘，而實際推理只需數毫秒。
樂觀式執行加欺詐證明（Optimistic Execution with Fraud Proofs） 則借鑑了 Ethereum (ETH) 的樂觀 Rollup 設計：系統預設相信結果正確，任何人都可在一段挑戰期內，於「參考節點」重跑有爭議的計算。若挑戰者證明原先結果有誤，原供應商的抵押會被沒收，而挑戰者則獲得獎勵。
這種設計在大多數供應商誠實的「正常情況」下，執行速度更快，但會在結果「最終確定」前引入一定延遲。
2026 年的大部分生產系統，實際採用的是混合模式：日常查詢以樂觀式執行為主，配合隨機抽查的零知識驗證，藉此在不為每一個請求付出高昂驗證成本的前提下，維持供應商的誠信度。抽查比例則作為一項治理參數，隨着證明成本下降，可由代幣持有人投票調整。
延伸閱讀： https://yellow.com/news/openai-safety-veteran-exit-history
治理代幣如何塑造模型發展路徑
在去中心化 AI 網絡中，治理代幣的功能遠不止於表決協議升級。它實際上掌控着一系列會直接影響模型經濟價值的關鍵決定：未來微調（fine-tuning）可使用哪些數據集、套用甚麼安全與內容過濾、推理費用如何分成，以及模型權重是否可以完全開源，抑或需保持有限披露。
這造就一個與封閉式 AI 截然不同的權力結構：在中心化模式下，公司內部的安全團隊或產品團隊可以單方面拍板；在去中心化網絡中，決策權則分散於持幣者與實際貢獻者手中，使模型的方向更接近「公共基建」，而非單一企業資產。 在去中心化網絡之下，「應該設哪些護欄」這類決策，不再由單一公司拍板，而是由持幣人（token holders）共同決定——而他們之間往往利益各異。
重視「模型能力極大化」的一派，可能會反對任何會削弱某些任務表現的安全限制；相反，更關注本地監管合規的參與者，則傾向支持更嚴格的內容過濾與限制。
目前多數網絡最務實的做法，是採用「兩層式治理架構」。由持幣人選出的核心委員會（core council），負責處理不能等到全體投票才決定的緊急安全議題；至於費用結構、收益分配等較廣泛、偏經濟層面的參數，則交由所有持幣人，以較長討論期進行正式表決。這種安排，與 Aave、Compound 等多個 DeFi 協議的實務做法相似——它們在嘗試過「完全鏈上、完全直接民主」之後，發現這種模式極易遭遇「低投票率攻擊」及「臨門一腳操控投票」等問題，因而改為兩層治理。
模型治理還牽涉 AI 特有的一個難題：模型「升級之後」究竟還是不是同一個資產。假設某貢獻者早期參與訓練，所持代幣代表的是原始模型的價值；其後若治理投票通過一次大規模微調，令模型行為出現明顯改變，那原先的代幣還算是對「同一個」資產的索償權嗎？多數協議的解法，是為每個重大版本「鑄造新代幣」，並按持倉比例為舊持有人分配新版本代幑，有點類似上市公司分拆子公司時，母公司股東獲派新公司股份。
延伸閱讀： https://yellow.com/news/bitcoin-63k-war-chatter
數據貢獻、私隱與「聯邦訓練」難題
對任何去中心化 AI 網絡來說，其中一條關鍵設計問題，是：數據貢獻者如何在不暴露私隱的前提下參與？醫療紀錄、金融交易數據、個人通訊內容，往往是專用 AI 模型最有價值的訓練素材，但貢獻者不可能簡單地把這些資料上載到共享網絡，否則勢必觸及嚴重的私隱及監管風險。
聯邦學習（Federated learning） 提供了一個部分答案。傳統做法是把原始數據送到中央訓練節點；而在聯邦學習中，每個數據持有人只在本地利用自己的數據進行訓練，然後只把「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。網絡再把來自多個貢獻者的梯度匯總，整個過程中從未接觸到底層原始數據。模型因此能從私有數據中「學習」，而數據本身始終留在貢獻者手上。
在這裏，區塊鏈的角色是「協調與結算」。智能合約會記錄每一輪訓練中，哪些參與者提交了梯度；再利用鏈上的評分機制，評估每份梯度的質量與貢獻度，並按結果發放獎勵。這個「評估問題」並不容易：惡意參與者可以隨便提交一堆隨機梯度，卻照樣領取獎勵。為了防止「混水摸魚」，FedML 以及 Sentient 自家的訓練框架等協議，會引入密碼學承諾（commitment）及延遲揭露（delayed reveal）機制，要求貢獻者先對自己的梯度作出不可篡改的承諾，再在看到其他人提交內容之前才進行公開，從而提高造假的成本與可見度。
差分私隱（Differential privacy） 通常會疊加在聯邦學習之上，為「無法從公開模型權重中還原任何單一訓練樣本」提供嚴謹的數學保證。「私隱預算」——即模型被允許「洩露」多少關於任何一筆數據的信息——本身也成為一個治理參數，由持幣人就「模型效能 vs 貢獻者私隱保障」作出取捨。
「聯邦學習配合差分私隱，為去中心化 AI 網絡提供了一個有說服力的數據私隱解法：貢獻者永遠不用交出原始數據，網絡永遠看不到數據，而模型依然能從中獲益。」
延伸閱讀： https://yellow.com/news/gpt-56-beats-human-interns-openai
現階段誰真正受惠於去中心化 AI 網絡？
理解技術機制是一回事，弄清楚「2026 年誰真的應該在乎這東西」是另一回事。現階段，這項技術在某些場景已相當實用，在另一些情況則仍然不切實際。
獨立 AI 研究者與開源貢獻者 是最直接的受惠群體。他們可以向自己看好的模型提供算力或精選數據集，換取可驗證的所有權份額，並按模型實際使用情況持續分紅。相較之下，為 LLaMA 衍生等傳統開源模型貢獻，頂多換來名聲與履歷加分，模型商業化之後通常談不上經濟回報。
擁有專有數據且受嚴格合規約束的企業 對聯邦訓練架構的興趣愈來愈高。舉例說，要訓練專用醫療 AI 模型的大型醫院集團，根本不可能把病人紀錄直接交給集中式供應商。透過去中心化聯邦網絡，醫院可以在數據留在自家基礎設施的情況下參與訓練；而鏈上的所有權紀錄，則為審計及合規提供可追溯證據。
DeFi 協議與 Web3 應用 則需要一個「不會被審查、也不會被單一 API 供應商掐斷」的 AI 推理（inference）來源。例如某個利用 AI 處理實際事件數據的預測市場，不能承受在運作中途被中央化 AI 供應商突然停用 API。去中心化推理市場透過多個節點競爭接單，提供的是中央化 API 結構上無法給予的冗餘度與抗審查能力。
散戶持幣人 的處境則最模糊。持有治理代幣理論上代表擁有投票權及費用分成，但要真正捕捉價值，必須主動參與治理與決策；被動持幣、不投票的參與者，實際上往往被積極參與的人「攤薄」。這與 DeFi 治理代幣的經濟邏輯很相似：確實存在向上的潛在收益，但不投入精力參與，就難以真正兌現。
延伸閱讀： https://yellow.com/news/solana-etf-bitwise-filing
性能與可驗證性之間的真正取捨
談去中心化 AI，如果不正視其短板，就稱不上完整。核心矛盾其實很直接：AI 計算愈「可驗證」，就愈慢、愈昂貴。
以集中式 API 為例，OpenAI 的 GPT-5 這類服務，一般查詢的推理結果延遲約 500 毫秒。而在 2026 年，要對同等規模模型做「完全零知識（zero-knowledge）」驗證推理，耗時往往需介乎 30 秒至數分鐘不等，視乎硬件與證明系統而定。對於重視延遲的應用，例如高頻交易信號、即時內容審查、互動聊天機械人等，這個差距仍然難以接受。
「樂觀執行」（optimistic execution）方案在一定程度上縮窄了這個差距。透過樂觀推理，初步結果的延遲幾乎可以貼近集中式服務；代價則是「最終確定性」延後：應用需等待挑戰期結束，結果才被視為最終無可推翻。對多數 Web3 用途來說，幾分鐘的挑戰期仍然可以接受；但對真正即時的場景，則仍然不合格。
在成本方面，去中心化的優勢則更為明顯。中央化 API 供應商對「前緣模型」往往具備壟斷定價權，收費自然偏高。相反，在多個推理供應商互相競價的去中心化市場中，價格被壓向邊際成本。來自 Akash Network 等推理市場早期數據顯示，透過去中心化市場取得「標準化 GPU 算力」來跑不追求絕對前沿能力的模型，其成本較中央化 API 低約三至六成。
坦白說，去中心化 AI 網絡目前已足以應付「對延遲不太敏感、對私隱要求高、或需要抗審查」的生產環境應用；但在「必須即時響應、且追求最前沿模型能力」的場景中，最佳中央化供應商仍然有相當穩固的優勢。從證明硬件與 zkML 研究的發展軌跡來看，這個差距會持續收窄，但在可預見的短期內未必能完全抹平。
延伸閱讀： https://yellow.com/news/bitget-cfd-copy-trading-tiered-margin
結語
去中心化 AI 網絡，並不是要取代那些訓練前沿模型的超大 GPU 集群。
它真正想搭建的，是一層疊加在 AI 研發之上的「經濟與法律基礎設施」：令自願貢獻變得合乎理性（有經濟誘因）、令開放式所有權具備可執行性、並讓推理收入具備可審計性。區塊鏈在當中的角色，是「產權登記處」與「結算層」，而不是一台超級電腦。
2026 年 7 月 Sentient 的猛烈上升，反映市場開始為這個前提定價：若要讓開放式 AI 在資源雄厚的封閉競爭者旁邊存活，必須有一套可信的經濟模型。鏈上模型指紋、具密碼學驗證的推理市場、結合差分私隱的聯邦訓練等機制，並非紙上談兵，而是已在實際網絡上落地，並在今天持續向貢獻者支付報酬。
