全球最強大的 AI 模型，仍掌握在少數大型公司手中。它們決定定價、控制誰能接入，並壟斷模型從用戶資料中學到的所有權重與參數。
Sentient（SENT）在 2026 年上線，正面挑戰這種集中式格局，打造一個開放 AI 平台，讓貢獻者對自己協助訓練出的模型，擁有可被證明的股權。其代幣在 2026 年 7 月單日飆升約 26%，顯示市場對「去中心化 AI」敘事高度關注。
不過，Sentient 並非唯一玩家。越來越多協議開始用區塊鏈，來強制執行「開放模型產權」、協調分散式訓練，並打造推論市場，讓任何人都能貢獻算力賺取報酬。要分辨哪些是真正的基礎設施、哪些只是炒作，關鍵在於理解這些網路在誘因設計、密碼學與鏈上結算層面，實際是如何運作。
重點整理
- 去中心化 AI 網路透過區塊鏈，強制落實對 AI 模型的所有權，使貢獻者在模型訓練完成後也不會被排除在利益分配之外。
- 將訓練層與推論層拆開，貢獻者在兩個階段就算力與數據分別獲得獎勵，並由鏈上紀錄。
- 透過密碼學證明（零知識或加密證明），網路可在不重跑整個模型的情況下，驗證推論結果誠實與否。
- 治理代幣賦予貢獻者對模型升級、費用結構及存取規則的投票權。
- 核心權衡在「效能 vs. 可驗證性」：完全上鏈推論仍比中心化 API 慢且昂貴，但差距正迅速縮小。
為何封閉式 AI 與開放網路存在結構性矛盾
每一個大型 AI 模型，都依賴從某處而來的資料。使用者、研究者與開源社群，持續產生文字、程式碼與影像，供模型學習。然而在現行集中式模式下，這些貢獻者幾乎得不到任何回報，所有價值都被訓練模型的公司吸走。
長期結果，是一個愈滾愈大的問題：高價值貢獻者一旦意識到自己的資料被無償攫取，便不再願意公開分享。
於是，模型被迫仰賴公司能在法律邊界內取得的各種資料，往往是在有爭議的服務條款下，大量爬取開放網頁。整條訓練管線從「協作」走向「掠奪」。
去中心化 AI 網路則提出另一種安排：在訓練開始前，貢獻者先在鏈上註冊，其提供的資料與算力，會被記錄為可驗證的輸入。智能合約依照事前鎖定、訓練前就寫死的規則，將模型日後的使用收入分配給這些貢獻者，而不是在每個人貢獻完 GPU 小時之後，才臨時談條件。
區塊鏈本身不做 AI 運算，它負責的是「產權與分潤契約」的執行，使自願貢獻變得在經濟上合理。
延伸閱讀： https://yellow.com/agentic-trading
模型在鏈上的「所有權」到底怎麼運作
在去中心化 AI 網路中，「擁有一個模型」並不是擁有某個檔案而已。受訓後的 AI 模型，是一組龐大的數值權重，往往是數十億個浮點數，分散儲存在多個節點。模型所有權代表的是：你對該模型未來營收的一部分，有可執行的權利主張，以及對模型後續發展的治理權。
關鍵機制來自與模型初次訓練綁定的「鑄造事件」。當模型首次部署時，網路會發行一批固定供給、專屬於該模型的所有權代幣。訓練過程中貢獻資料、算力或程式碼的參與者，依照貢獻比例獲得相應分配。
這套分配公式會在訓練開始前寫入智能合約，事後不得任意修改。
每當有人付費對該模型進行推論——不論是要預測、生成文字，或產生向量嵌入——費用會在實際執行推論的基礎設施提供者，與模型所有權代幣持有人之間拆分。拆分比例則由治理機制決定。若模型變得廣泛使用，原始貢獻者就能持續收取收益，結構類似權利金，而不需再投入額外工作。
Sentient 更進一步提出「Sentient Model Fingerprinting」機制：在其平台上訓練出的每一個模型，都嵌入一組加密指紋，可將推論輸出回溯到特定模型版本。
這使得一旦有人私下拷貝權重、繞過費用機制自行跑推論，這類在閉源權重世界極易發生卻難以舉證的「AI 盜版」，就能被技術上偵測出來。指紋機制會在鏈上留下可稽核軌跡，即便模型權重是開放的，也依然可以執行營收追蹤與權利要求。
延伸閱讀： https://yellow.com/news/deepseek-cheap-ai-openai-anthropic
兩大層：分散式訓練與推論市場
去中心化 AI 網路，將 AI 的生命週期切割為兩個截然不同的經濟層。了解這兩層差異很重要，因為參與者、誘因結構與技術難點都不一樣。
訓練層 是模型學習的地方。在中心化系統中，一家公司用自己的硬體完成所有訓練。在去中心化網路裡，訓練由眾多貢獻者分工執行，每個人計算一部分。
難題在於協調：所有參與者必須在每一步都對模型狀態達成共識，這需要一套針對「梯度更新」而非純金融交易的共識機制。像 Bittensor 與 Gensyn 等專案，便打造出專門協議，使用鏈上評分機制，評價每個參與者梯度貢獻的品質，並據此發獎勵。
推論層 則是訓練完成後，模型面向終端用戶提供服務的地方。推論與訓練在經濟性質上完全不同：它是重複性高、時間敏感、理論上更容易驗證的工作。用戶提交查詢，推論提供者用自家硬體跑模型，回傳結果。關鍵問題是：用戶如何確信對方真的跑的是該模型，而不是換成成本更低的替代品？
這就是推論市場的切入點。多個提供者會為同一筆查詢競價。得標者執行模型，回傳結果並附上加密證明。其他提供者可以透過挑戰機制隨機抽查結果。若查出造假，違規者會被沒收抵押品；誠實者則賺取手續費。這樣的市場結構，讓參與者有誘因提供正確結果，而不必讓整個網路對每一筆查詢都進行完整驗證。
「推論市場借鏡預測市場的經濟設計：參與者為自己的輸出正確性押注，一旦結果錯誤，便透過懲罰機制被削減抵押，與權益證明網路懲處惡意驗證者的機制相同。」
延伸閱讀： https://yellow.com/news/grok-45-beats-fable-5-opus-48-agent-ai-test
如何用密碼學驗證 AI 推論，而不必重跑整個模型
去中心化 AI 面臨的最棘手技術難題，就是「驗證」。跑一次大型語言模型已經不便宜，再跑第二次只為檢查第一次結果，在大規模情境下幾乎不具經濟可行性。但若沒有驗證，整套誘因設計就會崩潰：提供者可以回傳任何看似合理的輸出，照樣領錢。
到 2026 年為止，業界主要在推進兩條路線。
推論的零知識證明，讓提供者能產出一份數學證明，證明自己確實執行了指定的計算，而不必暴露模型權重，也不需驗證者重算一遍。驗證者只需檢查證明本身，這遠比產生證明便宜。像 Modulus Labs 與 ZKML 等團隊，已在較小的模型上做出展示，但對於 700 億參數等前沿等級模型，證明生成成本仍非常高昂：單筆推論生成證明可能要花數分鐘、需要專用硬體，而實際推論只需毫秒級時間。
樂觀式執行與欺詐證明 則改採自 Ethereum (ETH) 樂觀 Rollup 的思路：結果一律「先當作正確」，在一定時間窗口內，任何人都可於參考節點重跑計算提出挑戰。若證明結果確實錯誤，原提供者的抵押金會被沒收，獎勵給挑戰者。
這種作法在大多數誠實情境下更快，但會引入「結果最終確認」上的時間延遲。
2026 年多數實務系統採用混合模式：日常查詢先用樂觀式執行，再搭配隨機的零知識抽查，藉此在不為每筆請求付出昂貴驗證成本的前提下，維持提供者誠信。被抽查的比例則交由治理決定，並可隨著證明成本下降不斷調整。
延伸閱讀： https://yellow.com/news/openai-safety-veteran-exit-history
治理代幣在模型發展中的關鍵角色
在去中心化 AI 網路中，治理代幣的功能遠不只投票決定協議升級而已。它直接影響模型的經濟價值與「性格」：未來微調可以使用哪些資料集、要施加什麼安全與內容過濾、推論費用如何拆分，以及模型權重是否完全公開抑或採取受限開放等。
這形成與封閉式 AI 截然不同的權力結構。在中心化模式中，是公司內部的安全團隊、產品經理與高層，決定模型的更新節奏與使用邊界；而在去中心化網路裡，這些關鍵參數則由持幣者——也就是實際貢獻算力與資料的社群——共同決定。 在去中心化網路中，關於「應設定哪些安全護欄」這類問題，不再由單一公司拍板，而是交由持幣人共同決策——而這些持幣人之間，往往存在利益衝突。
部分參與者重視「模型能力最大化」，可能會反對任何會削弱特定任務效能的安全限制；另一部分則更在意「符合本國監管要求」，因此傾向支持更嚴格的內容與風險過濾機制。
實務上，多數協議最終都走向「雙層治理」架構：由代幣持有人選出的核心理事會（core council），負責處理無法等到全體投票才決定的緊急安全議題；而費率結構、收益分潤等關鍵經濟參數，則交由所有代幣持有人以較長決策窗口進行全面表決。這種設計與 Aave、Compound 等 DeFi 協議的治理模式相當類似——在這些協議踩過「完全鏈上、完全直民主」的坑之後，市場逐漸意識到，這種模式極易遭遇投票參與率偏低，以及臨門一腳的大額操票風險。
AI 模型治理還面臨一項傳統金融沒有的新難題：模型「升級後」的同一性問題。一位早期參與者，協助訓練了初始版本模型，手上的代幣代表該版本模型的價值主張。若治理投票通過一次大規模微調，導致模型行為產生顯著變化，那麼——這位持幣人持有的，是否仍是同一個「資產」的索賠權？多數協議採用的做法，是對於每一次重大版本更新，額外鑄造一個新代幣，並按比例將新版本代幣分配給原持幣人，概念上有點類似上市公司做分拆（spin-off），原股東自動獲配子公司的股份。
延伸閱讀： https://yellow.com/news/bitcoin-63k-war-chatter
資料貢獻、隱私保護與聯邦訓練困局
對所有去中心化 AI 網路而言，一個關鍵設計問題是：資料貢獻者如何參與訓練，同時不暴露隱私？
醫療紀錄、金融交易資料、個人通訊內容，都是高度敏感、但對專用 AI 模型又極具價值的訓練素材。這些資料顯然不能直接上傳到共享網路，否則會立刻踩到隱私與監管紅線。
**聯邦學習（Federated Learning）**提供了一個折衷的技術路線。它的做法不是把「原始資料」送往中心化訓練節點，而是讓每個資料提供者在本地先對模型進行訓練，算出一組「梯度」——也就是模型權重應該往哪個數學方向調整——再把梯度回傳給網路。網路端只會匯總來自多方的梯度，從未直接接觸原始資料；模型可以從這些隱私資料中學習，但資料本身始終掌握在貢獻者手上。
在這種架構下，區塊鏈扮演的是協調與結算角色。智慧合約會記錄每一輪訓練中，哪些參與者提交了梯度，並透過鏈上評估函式量化每個梯度對模型的貢獻度與品質，再據此分配獎勵。評估本身並不簡單：惡意參與者完全可以隨機亂丟梯度，卻照樣來領獎勵。像 FedML 以及 Sentient 自家的訓練框架，便透過密碼學承諾與「延遲揭露」機制來降低作弊空間——要求參與者先對梯度做承諾（commit），在看不到其他人提交內容的情況下鎖定自己的輸出，再於之後的揭露階段公開實際梯度，以便驗證。
在聯邦學習之上，實務上通常還會再疊一層差分隱私（Differential Privacy），藉由嚴謹的數學框架，保證外界無法從公開的模型權重中，反推出任何單一訓練樣本的具體內容。所謂「隱私預算」，即模型被允許「洩漏」關於任一筆資料的資訊量上限，也成為一項治理參數——讓代幣持有人在「模型效用」與「貢獻者隱私保護」之間做出權衡。
「聯邦學習加上差分隱私，為去中心化 AI 網路提供了一個可信的資料隱私解答：
貢獻者從未交出原始資料，網路從未看見這些資料，而模型依然可以因此變得更聰明。」
延伸閱讀： https://yellow.com/news/gpt-56-beats-human-interns-openai
目前究竟是誰，真正受惠於去中心化 AI？
理解這些機制是一回事，弄清楚「2026 年到底是誰應該在乎這件事」又是另一回事。就實際落地來看，這項技術目前在特定場景已具實用價值，而在某些領域仍相當不切實際。
獨立 AI 研究者與開源貢獻者是最明顯的受益者。他們可以把算力或精選資料集投入到自己認同的模型中，換取可驗證的所有權份額，並從模型使用中持續收取收入。相較之下，若是單純替某個開源 LLaMA 分支貢獻程式碼與資料，往往最多只累積名聲，一旦模型被商業化，貢獻者很難直接分享到經濟成果。
擁有專有資料、又背負嚴格合規責任的企業，近年對聯邦式訓練的興趣明顯升溫。以大型醫療體系為例，它如果想訓練高度專業的醫療 AI，就不可能把病患紀錄打包送往某個雲端廠商。透過去中心化、聯邦式的訓練網路，醫院能在資料留在院內（on-premise）的前提下，參與模型訓練。區塊鏈留下的所有權與貢獻紀錄，也提供一條清晰且可審計的軌跡，更容易符合監管要求。
DeFi 協議與 Web3 應用，則需要的是不會被單點關閉或審查的 AI 推理服務。例如，一個仰賴 AI 處理真實世界事件資訊的預測市場，承受不起某天被中心化 API 供應商中止服務、導致全盤停擺的風險。去中心化推理市場則透過多家供應者競爭與備援設計，達到傳統 API 結構上難以提供的抗審查與高可用性。
散戶代幣持有人的處境則最曖昧。持有治理代幣，理論上能享有投票權與費用分潤，但前提是必須「積極參與」，才能真正捕捉到價值。長期不投票、不參與治理的被動持有者，實際上會在制度運作中被更積極的一群玩家稀釋。這種結構與多數 DeFi 協議的治理代幣相似：上漲空間確實存在，但要收割這些價值，並非被動持幣就能完成。
延伸閱讀： https://yellow.com/news/solana-etf-bitwise-filing
效能 vs. 可驗證性：真正的取捨在哪裡？
談去中心化 AI，如果不正面面對技術仍有的不足，就不算完整。核心張力其實非常根本：你越是強調推理過程的「可驗證性」，就必然得付出速度與成本上的代價。
以中心化 API 為例，如 OpenAI 的 GPT-5，典型查詢的回應延遲約在 500 毫秒左右。而對等規模模型若要做到「完全零知識證明（zero-knowledge）」的推理驗證，以 2026 年的水準來看，整個流程可能要花 30 秒到數分鐘不等，端看硬體條件與使用的證明系統。對於高延遲敏感的應用——例如高頻交易訊號、即時內容審核、互動聊天機器人——這樣的落差幾乎是不可接受的。
所謂「樂觀執行（optimistic execution）」的路線，則在這點上拉近了一大截距離。樂觀推理的初始回應延遲，幾乎可以逼近中心化服務水準；代價則是最終確定性會被延後：應用程式必須等到「挑戰期」結束，才敢把這個推理結果視為最終定案。對多數 Web3 應用而言，幾分鐘的挑戰窗口仍屬可接受範圍；但若是需要毫秒級互動的即時服務，這道時間差就是硬傷。
在成本面，情況相對樂觀。中心化 API 業者對最尖端模型往往擁有「壟斷級」定價權，價格中包含了明顯溢價；而在多家節點競價執行請求的去中心化推理市場中，價格會更接近算力的邊際成本。來自 Akash Network 等去中心化 GPU 市場的早期數據顯示，透過這類市場取得的「商品化 GPU 算力」，在跑不追求最前沿能力的模型時，成本可較同級中心化 API 便宜約 30–60%。
簡言之，去中心化 AI 網路目前已足以支撐對延遲不敏感、但高度重視隱私或抗審查的應用場景，例如某些後台批次分析、合規風險評估、或跨境資訊服務等。但在需要即時反應、並追求極致模型能力的應用上，最佳中心化供應商目前仍握有穩定優勢。從專用證明硬體與 zkML 研究的進展軌跡來看，雙方的差距預期會逐步縮小，卻不太可能在短期內完全抹平。
延伸閱讀： https://yellow.com/news/bitget-cfd-copy-trading-tiered-margin
結語
去中心化 AI 網路的目標，並不是要取代那些負責訓練最前沿模型的超大 GPU 叢集。
它們真正想建構的，是一層疊加在 AI 之上的經濟與法律基礎設施：讓自願貢獻變得「經濟上合理」、讓開放式所有權「在法律上可被強制執行」、讓推理收入「可以被完整稽核與清算」。在這個架構下，區塊鏈更像是資產登記處與結算系統，而不是一台超級電腦。
2026 年 7 月 Sentient 代幣的飆升，反映的是市場開始試圖給一個概念定價：開放式 AI 生態若要在資本雄厚的封閉競爭者旁邊存活，就必須有一套可信的經濟模型。無論是鏈上模型指紋（on-chain fingerprinting）、帶有密碼學驗證的推理市場、還是結合差分隱私的聯邦式訓練，這些機制如今都已在實際網路上運行，並實打實地對參與者進行支付，而非停留在白皮書階段。
下一步閱讀： Grok 4.5 Challenges OpenAI And Anthropic With Cheaper Agentic AI
