全球最強大的 AI 模型，目前大多集中在少數幾家科技巨頭手中。由它們決定價格、控管誰能使用，並完全掌握模型從用戶資料中學到的每一個權重與參數。
Sentient（SENT）在 2026 年正式上線，直接對這種集中式模式提出挑戰，要打造一個「開放式 AI 平台」，讓參與者對自己協助打造的模型，擁有可證明的權益。其代幣在 2026 年 7 月單日大漲約 26%，顯示市場正高度聚焦「去中心化 AI」這條敘事。
不過，Sentient 並非唯一玩家。越來越多協議開始利用區塊鏈，來強制落實模型開放式所有權、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，關鍵在於看懂這些網路在「激勵設計、密碼學機制與鏈上結算」層面的實際運作。
重點整理（TL;DR）
- 去中心化 AI 網路用區塊鏈落實 AI 模型的產權，確保貢獻者在模型訓練完成後不會被「切割出局」。
- 將「訓練」與「推論」切成兩層經濟體系，貢獻算力與資料者在每一階段都能獲得獎勵，並完整記錄在鏈上。
- 透過零知識證明或加密憑證，網路能在不重跑整個模型的前提下，驗證推論結果是否誠實。
- 治理代幣賦予貢獻者對模型更新、費率結構與存取規則的投票權。
- 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，但差距正在快速縮小。
為何封閉式 AI 對開放網路是一個結構性問題？
所有大型 AI 模型的訓練資料，都來自某些群體：使用者、研究者，以及開源社群所產出的文字、程式碼與圖像。在當前的中心化架構下，這些貢獻者幾乎拿不到任何回報，所有價值都被訓練模型的公司攫取。
這會累積成一個惡性循環：頂尖的創作者與開發者，一旦意識到自己的資料被「免費搬走」且毫無分潤，就會停止在公開場域分享高價值內容。
接著，模型只能仰賴公司能合法取得的資料，往往是以充滿爭議的方式抓取開放網路內容，而這些作法正陸續在法院遭到挑戰。整個訓練流程變得是「抽取式」而非「協作式」。
去中心化 AI 網路提出的是另一種安排。所有貢獻者在訓練開始前就先在鏈上註冊，他們提供的資料與算力，會以可驗證輸入形式被記錄。智慧合約會依照「訓練前就已鎖定」的規則，將模型後續使用收入分配給這些貢獻者，而不是等模型成形後再臨時談判。
區塊鏈並不負責實際 AI 計算，而是扮演「產權仲裁與收益結算」的角色，使自願貢獻變得在經濟上合理。
延伸閱讀： https://yellow.com/news/bnb-chain-agentic-trading-bnb-breakout
模型「上鏈產權」實際怎麼運作？
在去中心化 AI 網路中，所謂的「模型所有權」並不是擁有一個檔案而已。訓練完成的 AI 模型，本質上是一組數值權重，通常是數十億個浮點數，分散儲存在多個節點上。擁有「一個模型」，實際上是擁有該模型未來收入的一部分索取權，以及對其後續發展的治理權。
其機制會綁定在模型第一次完整訓練與部署的「鑄造事件」上。當模型首次上線，網路會針對這一個特定模型，發行一個固定總量的「所有權代幣」。在訓練期間，曾提供資料、算力或程式碼的貢獻者，會按比例分配到這批代幣。
這個分配公式在訓練開始前就寫進智慧合約中，事後無法被任何一方單方面修改。
日後，只要有人付費讓模型進行推論——不論是要預測結果、產生文字，或是取得向量嵌入——這筆費用就會依事先規定的比例，拆分給負責推論的基礎設施供應者與模型所有權代幣持有人。費用拆分比率則由治理機制決定。
一旦模型變得廣泛使用，早期貢獻者就能持續從中取得收入，而不需要再額外付出勞務，本質上類似一種「權利金」結構。
Sentient 的作法更往前推了一步，提出所謂的「Sentient Model Fingerprinting」。在 Sentient 平台上訓練出的每一個模型，都會帶有一組嵌入式加密指紋，可將每一次推論輸出，追溯到特定的模型版本。
這使得「盜用模型權重」變得可偵測——例如有人複製權重，在鏈外自行提供推論服務卻不支付應有費用。對封閉權重來說，這種盜用行為幾乎難以舉證，但有了指紋，便能建立對應到鏈上的審計軌跡，為在權重開放情況下的「收益執行」提供可能。
延伸閱讀： https://yellow.com/news/deepseek-cheap-ai-openai-anthropic
兩大經濟層：分散訓練與推論市場
去中心化 AI 網路，會把 AI 的生命週期拆成兩個經濟層：訓練層與推論層。要理解其運作，必須分開看待，因為兩者牽涉到不同的參與者、激勵結構與技術挑戰。
訓練層 是模型學習的地方。在傳統中心化架構中，一家公司在自家資料中心完成所有訓練；在去中心化網路裡，訓練工作由眾多參與者分擔，每個人只負責一部分計算。
核心難題在於協調：所有參與者必須在每一個步驟都對「模型狀態」達成共識，這需要針對「梯度更新」而非金流交易量身打造的共識機制。像 Bittensor、Gensyn 等專案，已針對這點設計專門協議，透過鏈上評分機制，量化每位參與者的梯度品質並給予獎勵。
推論層 則是訓練完成後，模型面向終端用戶產生輸出的地方。與訓練相比，推論的經濟特性不同：它是重複、延遲敏感且相對容易驗證的。流程大致是：用戶送出查詢，推論供應者在自己的硬體上運行模型並回傳結果。關鍵問題在於：用戶如何確信對方「真的」跑了指定模型，而不是用更便宜、較差的模型敷衍了事？
這就牽涉到「推論市場」的設計。多個供應者可以對同一筆查詢競價，出價勝出者負責運行模型並回傳結果，同時附上密碼學證明。其他供應者可以透過「挑戰機制」進行抽查，一旦抓到不誠實行為，被抓到者的抵押品將被沒收。誠實的供應者則取得服務費用。此一市場結構，在不需要全網逐筆驗證的情況下，創造出追求正確性的經濟誘因。
「推論市場借鏡了預測市場的經濟設計：參與者用真金白銀為自己的輸出正確性背書，一旦錯誤就會被『砍抵押』（slashing），這與權益證明網路裡懲罰作惡驗證者的機制相同。」
延伸閱讀： https://yellow.com/news/grok-45-beats-fable-5-opus-48-agent-ai-test
如何用密碼學證明驗證 AI 輸出，而不必重跑整個模型？
去中心化 AI 最困難的技術問題，就是「驗證」。跑一次大型語言模型就已經很貴，要為了驗證再跑第二次，在大規模應用上幾乎不具經濟可行性。但若完全不驗證，整個激勵結構就會崩盤——任何供應者都可以回傳一個看起來「像真的」答案，就領走服務費。
到 2026 年，有兩條路線正被積極發展：
用零知識證明做推論驗證：推論供應者可以生成一個數學證明，證明特定計算是依照指定模型正確執行，驗證方不需要知道模型權重，也不必重跑整個模型。驗證證明的成本遠低於產生證明的成本。像 Modulus Labs、ZKML 等專案，已在中小型模型上展示可行性，但對 700 億參數等「前沿等級」模型來說，產生一筆推論的 ZK 證明可能需要幾分鐘甚至更久，而實際推論只要幾毫秒，成本差距仍非常大。
樂觀式執行 + 欺詐證明：這一條路線則借用 Ethereum (ETH) 樂觀 rollup 的設計。系統預設相信供應者的結果是正確的，在一定時間視窗內，任何人都可以提交挑戰，於參考節點重算該次推論；若證明原結果有誤，原供應者就會被砍抵押，而挑戰者獲得獎勵。
這種作法在「多數人誠實」的常態情境下速度更快，但會引入一個結果最終確認（finality）的延遲。
多數 2026 年的實際系統，都走「混合路線」：一般查詢採樂觀式執行，再搭配隨機抽樣的零知識驗證，以控制總體驗證成本同時維持足夠的威懾力。被抽查的比例，則是由代幣治理決定的參數，並可隨著證明成本下降而調整。
延伸閱讀： https://yellow.com/news/openai-safety-veteran-exit-history
治理代幣在模型發展中的角色
在去中心化 AI 網路裡，治理代幣的權限遠不只「對協議升級投票」這麼簡單。它實際掌握了多項與模型經濟價值高度相關的決策權，包括：未來微調可使用哪些資料集、要加上哪些安全與合規過濾器、推論費用如何在供應者與權益人之間拆分，以及模型權重究竟要完全開源，還是半開放、需授權才能下載等。
這種結構與封閉式 AI 的權力配置有本質上的差異：不再是公司董事會與高層做最後拍板，而是由持有治理代幣、實際為模型提供資料與算力的社群，透過鏈上治理程序來決定模型的未來走向。 在中心化架構下，模型的「護欄」由公司內部的安全團隊說了算；但在去中心化網路中，相關決策則落在持幣者手上，而不同持幣者之間，往往存在利益衝突。
重視「模型極致能力」的一方，可能會投票反對那些會拖累特定任務表現的安全限制；相反地，必須顧及自身法規環境的貢獻者，則可能支持更嚴格的內容過濾。
實務上，大多數網路最後都收斂到「雙層治理」架構：由持幣者選出的核心委員會（core council），負責處理無法等待全體投票的即時安全決策；而費率結構、收益分配等「廣泛經濟參數」，則交由全體持幣者進行較長時間的治理投票。這套設計與 Aave、Compound 等多數 DeFi 協議類似——在實際運作後，大家發現「完全鏈上、完全直接民主」的治理，極容易遭遇「低參與攻擊」以及「最後一刻投票操弄」。
模型治理還帶來一個 AI 特有的難題：模型升級後「還是不是同一個資產」。假設某位貢獻者參與訓練了最初版本的模型，持有代表該模型價值的代幣；若治理投票通過一次大規模微調，顯著改變模型行為，那麼：他手上的代幣，究竟還是不是對「同一個資產」的索取權？多數協議的解法，是為每一次重大版本升級發行新代幣，並按比例分配給現有持幣人，有點類似上市公司拆分事業、股東獲配新公司股權的模式。
數據貢獻、隱私保護與「聯邦訓練困境」
對任何去中心化 AI 網路而言，一個核心設計問題是：如何讓數據提供者參與訓練，又不必暴露敏感資訊。醫療病歷、金融交易紀錄、個人通訊內容，都是高度專業模型最有價值的訓練素材；但若直接上傳到共用網路，不僅隱私風險極高，也極可能踩到監管紅線。
**聯邦學習（Federated learning）**提供了一個部分解方。貢獻者不需要把原始數據送到中心伺服器，而是在本地資料上訓練出一組模型更新，並只將「梯度」（也就是模型權重應該往哪個數學方向調整）回傳給網路。網路再從多位貢獻者收集、聚合梯度，但從頭到尾都不必看見實際數據內容。模型因此能吸收私有數據帶來的資訊增量，但資料始終不離開數據擁有者掌控。
在這個架構下，區塊鏈的角色是「協調」與「結算」：
智慧合約會紀錄每一輪訓練中，哪些地址提交了梯度、再透過鏈上評估函式打分其貢獻品質與效用，並據此發放獎勵。評估本身並不簡單：有人可能亂丟梯度、混水摸魚，卻照樣領報酬。像 FedML 與 Sentient 自家訓練框架等協議，便使用「密碼學承諾＋延遲揭露」機制來防堵：參與者必須先對自己的梯度做不可竄改的承諾，再在之後階段才揭露內容，避免先偷看他人提案、再投機跟風。
在聯邦學習之上，通常還會再疊加差分隱私（Differential privacy），藉由嚴謹的數學保證，確保無法從公開模型權重中「反推回」任何個別訓練樣本。所謂「隱私預算」——也就是模型被允許洩漏多少關於單一數據點的資訊——也成為一項治理參數，讓持幣者在「模型實用性」與「貢獻者隱私保護」之間做出取捨。
「聯邦學習結合差分隱私，讓去中心化 AI 網路在數據隱私上有一個可被信任的答案：
貢獻者從未交出原始數據，網路從未見過這些數據，但模型卻因此變得更聰明。」
延伸閱讀：GPT-5.6 打敗人類實習生？OpenAI 新模型實測
目前到底是誰真正受惠於去中心化 AI？
理解機制是一回事，搞清楚「2026 年的今天，誰應該真正關注這項技術」則是另一回事。去中心化 AI 在某些場景已相當實用，在另外一些場景，則仍不切實際。
獨立 AI 研究者與開源貢獻者可以說是目前最明顯的受益者。他們可以把算力或精選資料集投入自己看好的模型，換取可驗證的所有權份額，並按模型實際使用量，持續分得收益。相比之下，為 LLaMA 等開源模型貢獻，只能累積名聲，卻無法在模型商業化後分享經濟果實。
擁有專有數據、且有合規要求的企業，對聯邦式訓練架構的興趣愈來愈高。舉例來說，若一個醫療體系想打造專用醫療 AI，就無法把病患紀錄交給單一中心化供應商。透過去中心化聯邦網路，他們可以在病歷留在院內機房的前提下，參與模型訓練；同時，鏈上的所有權與貢獻紀錄，也形成一套可稽核的軌跡，有助符合監管要求。
DeFi 協議與 Web3 應用，則需要「不會被單一 API 供應商關掉」的 AI 推論能力。一個仰賴 AI 解析現實世界事件資料的預測市場，承受不起在關鍵時點，被中心化 AI 供應商關停 API 的風險。去中心化推論市場，透過多供應商競爭與冗餘備援，提供了中心化 API 結構上做不到的抗審查與持續性。
一般散戶持幣人的處境則相對曖昧。持有治理代幣確實能分享費用收入、也享有投票權，但要轉化成實際收益，往往需要主動參與治理；而長期不投票的被動持幣者，則會在實質影響力上，被積極參與者攤薄。整體動態和 DeFi 協議的治理代幣很像：經濟上確實有向上的空間，但不「出力」的人，很難真正抓住價值。
延伸閱讀：Solana ETF 申請再添一案：Bitwise 提交監管文件
效能與可驗證性之間的真正取捨
談去中心化 AI，如果不老實面對技術現階段的不足，就不算完整。核心張力其實非常根本：越可驗證的 AI 計算，往往越慢、越貴。
以中心化 API 為例，像 OpenAI GPT-5 類的模型，一般查詢推論延遲約在 500 毫秒左右；但若對同等規模模型做「完整零知識證明（zk）推論」，以 2026 年的硬體與證明系統水準來看，延遲可能落在 30 秒到數分鐘不等。對於需要極低延遲的場景——例如即時交易訊號、內容即時審核、互動聊天機器人——這樣的差距仍然難以接受。
所謂的「樂觀執行（optimistic execution）」路線，則大幅縮短了這個差距。在樂觀推論模型下，最初回傳結果的延遲，幾乎可以逼近中心化服務；代價是「最終確定性（finality）」需延後：應用必須等到挑戰窗口結束，才能把某次推論結果視為「最終不可推翻」。對多數 Web3 應用，一個幾分鐘的挑戰期是可以接受的；但對嚴格即時性的場景，仍然不行。
在成本方面，去中心化反而更具優勢。中心化 API 供應商，對「前沿級」模型往往具備近乎壟斷的定價權，因此可以大幅加價；而在多供應商競價的推論市場中，價格會被壓到接近邊際成本。從像 Akash Network 這類去中心化 GPU 計算市場的早期數據來看，對不需要絕對前沿能力的模型，透過去中心化市場使用標準化 GPU 算力，費用可以比中心化 API 便宜約 30～60%。
一句話總結：去中心化 AI 網路，今天已經足以支撐「對延遲不敏感、對隱私與抗審查高度敏感」的實際應用；但在「需要極低延遲、且追求能力絕對邊界」的場景，最佳中心化供應商短期內仍有結構性優勢。從專用證明硬體與 zkML 研究的進展軌跡來看，這個差距會持續縮小，但在可預見的未來，很難完全消失。
延伸閱讀：Bitget 推出 CFD 跟單交易分級保證金方案
結語
去中心化 AI 網路，並不是要取代那些訓練前沿模型的超大型 GPU 集群。
它們真正試圖打造的，是一層疊加在 AI 研發之上的「經濟與法律基礎設施」：讓自願貢獻變得「有經濟理性」、讓開放式所有權可以被嚴格執行、讓推論收入可以被透明稽核。區塊鏈在這裡扮演的，是「產權登記簿」與「結算層」，而不是「超級電腦」。
Sentient 在 2026 年 7 月的飆升，反映的是市場開始定價一個觀點：開放式 AI 若要在資本雄厚的封閉競品旁邊長期生存，必須有一套可信的經濟模型。包括鏈上模型指紋、帶密碼學驗證的推論市場、結合差分隱私的聯邦訓練等機制，都不是紙上談兵，而是已在實際網路上運行、並正在實際支付貢獻者報酬。