全球最强大的 AI 大模型仍掌握在少数科技巨头手中：它们制定价格、决定谁能接入，并完全控制模型基于用户数据学到的每一个权重和参数。
Sentient（SENT） 于 2026 年上线，正面挑战这一格局，试图打造一个开源 AI 平台，让贡献者对自己参与打造的模型，拥有“可被证明”的经济权益。其代币在 2026 年 7 月单日一度大涨约 26%，显示市场正高度关注“去中心化 AI”这一新叙事。
Sentient 并非孤例。越来越多协议开始利用区块链，来确立开放的模型所有权结构、协同分布式训练，并搭建推理（Inference）市场——任何人都可以贡献算力、数据或模型，并获得链上记账的收益。要区分真正的基础设施创新与又一轮炒作，关键在于理解这些网络在激励机制、密码学验证和链上结算层面究竟是如何运转的。
要点速览
- 去中心化 AI 网络通过区块链来确权模型所有权，确保模型训练完成后，早期贡献者不会被事后“清场”。
- 将训练与推理拆分为两大经济层：参与者在各阶段凭借算力与数据获得奖励，收益分配由链上记录与结算。
- 借助零知识证明等密码学工具，网络可以在无需重跑完整模型的情况下，验证推理结果的真实性。
- 治理代币赋予持有人对模型升级、费用结构以及访问规则等关键事项的投票权。
- 核心权衡在于性能与可验证性：完全链上的推理仍明显慢于、贵于中心化 API，但性能差距正在快速缩小。
封闭式 AI 与开放网络之间的结构性矛盾
每一个大模型的诞生，都离不开数据供给：用户、研究者与开源社区贡献了文本、代码与图像，为模型提供“养料”。在目前的中心化范式下，这些贡献者几乎得不到任何回报，模型的全部经济价值被训练方公司单独攫取。
这会形成一种“负循环”：顶尖贡献者一旦意识到自己的数据在无偿被商业化，会逐渐减少公开分享。随后，模型训练只能更多依赖公司合法取得的有限数据资源，往往是在法律存疑的“合理使用”边界上，大规模抓取开放互联网内容。训练体系由协作演变成了“掠夺”。
去中心化 AI 网络试图提供一套截然不同的安排：在训练开始前，贡献者先在链上完成注册，其数据与算力贡献会被记录为可验证的输入。此后，模型使用产生的收入，会由智能合约按预先写死的规则，自动分配给所有贡献方——这些规则在任何人贡献第一小时 GPU 算力之前就已锁定，事后无法篡改。
区块链本身并不负责跑 AI 算法，而是负责“立约”：为一份长期有效的所有权与分配机制背书，让自愿贡献变得理性可行。
延伸阅读： 智能体交易：算法如何在链上自主博弈
模型“上链确权”究竟如何运作
在去中心化 AI 网络中，“模型所有权”并不是简单地拥有一个文件。一个训练好的模型，本质上是一组巨大的数值权重（往往是数十亿个浮点数），分布式存储在各节点上。所谓“拥有模型”，更准确地说，是拥有一份可被执行的权利证明：对该模型未来收入的一定比例分成，以及对其更新迭代的治理权。
机制的核心是一场与模型首轮训练绑定的“铸造事件”。模型首次部署上线时，网络会为该模型发行一批固定总量的所有权代币。参与训练阶段、提供过数据、算力或关键代码的贡献者，将按比例获得这批代币的初始分配。
分配公式在训练开始前便写入智能合约，后续无法通过治理“补改”，避免了事后规则重写。
此后，每当有人调用该模型进行推理——无论是请求预测结果、生成一段文本，还是计算向量嵌入——所支付的费用会在两方间拆分：一部分流向负责运行推理的基础设施提供方，另一部分则按比例分配给模型所有权代币持有人。具体分成比例由治理决定。这意味着，一旦某个模型被广泛采用，早期贡献者无须再额外投入精力，便可持续获得类似“版税”的被动收入。
Sentient 在此基础上提出了所谓“Sentient 模型指纹（Sentient Model Fingerprinting）”。在 Sentient 平台上训练出的每一个模型，都会嵌入独特的密码学“指纹”，可以将推理输出追溯到特定的模型版本。
这让一种以往几乎难以追责的行为——直接拷贝模型权重、线下私自提供推理服务——变得可检测。传统闭源权重下，这类“盗版推理”几乎无从证明；但通过指纹机制，网络可以在链上形成一条审计轨迹，即便权重本身是开放的，也有据可依来执行收益分配和追责。
延伸阅读： DeepSeek 挑战 OpenAI 与 Anthropic 的“便宜大模型”之战
两大经济层：分布式训练与推理市场
去中心化 AI 网络通常将 AI 生命周期拆分为两个相对独立的经济层：训练层与推理层。厘清二者的差异十分关键，因为参与角色、激励设计和技术难点完全不同。
训练层 是模型“学习”的阶段。在中心化体系中，这通常由一家公司在自有或租用的数据中心“一家包干”。而在去中心化网络中，训练任务会被切分并分发给众多节点，参与者各自完成部分计算。
难点在于“协同”：所有参与方必须在每一步就模型状态（例如梯度更新）达成一致，这需要一种从金融交易共识，转向针对梯度与参数更新的共识机制。诸如 Bittensor、Gensyn 等项目，正尝试为此打造专用协议，通过链上打分机制评估各参与者的梯度质量，并据此分配奖励。
推理层 则是面向终端用户、让模型不断“出活”的阶段。与训练相比，推理的特点在于：调用频次高、实时性强、单次计算更易验证。典型流程是：用户提交请求，某个推理服务方在其硬件上运行模型，并返回结果。关键问题是：用户如何确信服务方真的调用了指定模型，而不是用一个便宜、粗糙的替代品蒙混过关？
这正是“推理市场”发挥作用的地方。网络允许多个服务方为同一请求竞争报价，中标方负责执行推理，并连同结果一并提交密码学证明。其他节点可通过挑战机制抽查其结果；若发现造假或严重偏差，中标方将被罚没质押；若无问题，则获得费用。这样的市场结构，在无需全网重复验证每一次调用的前提下，通过经济惩罚与收益机制，逼近真实可信的结果。
“推理市场在经济设计上与预测市场类似：参与者为自己给出的结果‘下注’，若结果被证明不正确，则通过‘削减（slashing）’机制罚没押金，这与权益证明（PoS）网络中，惩罚作恶验证人的逻辑高度一致。”
延伸阅读： Grok-45 超越 Fable-5 与 Opus-48：代理 AI 的最新压力测试
如何在不重跑模型的前提下验证 AI 输出
去中心化 AI 面临的最棘手技术难题之一便是“可验证性”。运行一次大型语言模型本身就代价高昂；若为了验证每次结果都再跑一遍，那在规模化场景下几乎是经济自杀。但如果完全不验证，整个激励体系就会崩塌：任何服务方都可以返回一段“看起来合理”的文本，然后收钱走人。
到 2026 年，行业主要在两条技术路径上并行推进。
用于推理的零知识证明（ZKML）：服务方在执行推理时，同时生成一份数学证明，证明自己确实按既定模型和输入完成了指定计算。验证方只需检查这份证明，无须看到模型权重，更不需要亲自重跑模型。验证成本大幅低于生成成本。诸如 Modulus Labs、ZKML 等项目已在中小规模模型上实现了原型，但在 700 亿参数级别的前沿大模型上，生成证明的开销仍然巨大——一次推理的证明生成可能需要数分钟的专用硬件计算，而实际推理仅需几毫秒。
乐观执行 + 欺诈证明（Fraud Proof）：这一路径借鉴了 以太坊（Ethereum） (ETH) 的乐观 Rollup 设计。网络默认接受推理结果为真，只在有参与者于挑战窗口期内提出质疑时，才会在参考节点上重跑计算。一旦证明结果有误，原服务方将被罚没质押，挑战者获得奖励。
乐观方案在“绝大多数提供者诚实”的前提下，可以显著降低平均延迟，但会引入“结果最终确认”上的时间滞后。
目前多数 2026 年的生产系统采用混合策略：日常请求以乐观执行为主，辅以随机抽样的零知识“飞行检查”，在不为每次调用都付出高额验证成本的前提下，维持较高的诚实度。被抽查比例则作为治理参数，随着证明成本下降，可逐步提高。
延伸阅读： OpenAI 安全老将离职背后的治理与风险博弈
治理代币如何影响模型的演化路径
在去中心化 AI 网络中，治理代币远不止是对底层协议升级投票那么简单。它们直接关乎模型的经济价值走向，包括：未来微调可使用哪些数据集、上线哪些安全与内容过滤规则、推理费用如何在节点与所有权代币之间分成，以及模型权重是完全开放下载，还是仅限于在特定许可下调用等。
这构成了一套与封闭式 AI 完全不同的权力结构。传统中心化模式下，模型的“安全政策”“内容尺度”“商业定价”往往由公司内部安全团队和高层拍板，外部贡献者与用户几乎无从置喙；而在去中心化网络里，那些真正为模型提供数据、算力与算法的人，有机会以持币人的身份，参与决定模型的未来走向与收益结构。 在去中心化网络中，安全“护栏”究竟该如何设定？在这样一个体系里，决策权掌握在代币持有者手中，而不同持币人的利益诉求往往彼此冲突。
一部分贡献者更在乎模型能力最大化，可能会反对任何会削弱特定任务表现的安全限制；另一些贡献者则更关注所在司法辖区的合规风险，倾向于支持更严格的内容过滤和使用限制。
多数网络最终在实践中收敛到一种“两层治理”架构：由代币持有人选举产生的核心委员会负责处理无法等待全体治理投票的紧急安全决策；而手续费结构、收入分配等宏观经济参数，则交由全体代币持有人在更长时间窗口内充分讨论并表决。这种设计与 Aave、Compound 等 DeFi 协议的治理演进高度相似——在经历了“完全上链、完全直接民主”后，项目方普遍发现，这类机制极易遭遇参与率过低攻击和临门一脚式投票操纵。
模型治理还带来一个 AI 特有的难题：模型升级后，它还是不是“同一个资产”？早期参与训练的贡献者所持有的代币，按理上代表的是这版模型的价值。如果一次重大微调或版本升级大幅改变了模型行为，那么这些代币是否仍然对应原来的那份资产？多数协议的解决方式，是为每个主要版本铸造一类新代币，并按比例向老持有人进行配置，类似于传统资本市场中母公司拆分子公司时向原股东发放新公司股份。
延伸阅读：https://yellow.com/news/bitcoin-63k-war-chatter
数据贡献、隐私保护与“联邦训练”难题
对任何去中心化 AI 网络而言，一个基础设计问题是：数据贡献者如何在不暴露隐私的前提下参与训练？医疗记录、金融流水、个人通信等，都是构建专用 AI 模型时极具价值的训练素材。但贡献者不可能直接把这些数据上传到公共网络，否则必然触及严重的隐私与监管风险。
**联邦学习（Federated Learning）**提供了一个“折中解”。在这种模式下，原始数据不离开本地：每个参与方只在自己掌控的环境中基于本地数据计算一次模型更新，然后只将“梯度”——即模型权重调整的数学方向——发送给网络。网络对来自不同参与者的梯度进行聚合，却从始至终无需接触底层原始数据。模型依然可以从这些隐私数据中获益，而数据本身始终掌控在贡献者手中。
在联邦学习场景中，区块链的角色在于协调与结算：智能合约会记录每一轮训练中哪些节点提交了梯度，用链上评估函数对每份梯度的质量和贡献度打分，并据此发放奖励。评估本身并不简单——理论上，参与者完全可以提交随机梯度“薅羊毛”，却不提供任何真实工作量。像 FedML 以及 Sentient 自有训练框架等协议，会引入密码学承诺和延迟揭示机制：要求贡献者在看到其他人提交的结果之前就先对自己梯度进行承诺，以防“抄作业”与作恶行为。
**差分隐私（Differential Privacy）**通常会叠加在联邦学习之上，用形式化的数学保证来证明：从公开的模型权重中，无法反推出任何单条训练样本的具体信息。所谓“隐私预算”，本质上是给模型在单个数据点上允许泄露的信息量设定一个上限。这一参数同样纳入治理，由代币持有人在“模型实用性”和“对数据贡献者隐私保护强度”之间进行权衡。
“联邦学习叠加差分隐私，让去中心化 AI 网络在数据隐私问题上有了可被监管和市场接受的技术答案：贡献者从未交出数据，网络从未看见数据，但模型依然从这些数据中持续进化。”
延伸阅读：https://yellow.com/news/gpt-56-beats-human-interns-openai
现在究竟是谁从去中心化 AI 网络中受益？
机制是一回事，2026 年现实中谁真正需要这套东西，又是另一回事。当前技术在特定场景中已经具有明确的实际价值，而在另一些领域则依然不切实际。
独立 AI 研究者和开源开发者是最直接的受益群体。他们可以向自己看好的模型贡献算力或精心整理的数据集，进而获得可证明的所有权份额，并分享模型调用带来的长期收入。与此相对，如今为 LLaMA 等开源模型做贡献，更多只能换来声誉，即便模型被商业化，也难以享有经济回报。
拥有大量专有数据且监管要求严格的企业，对联邦训练架构的兴趣正在快速升温。比如，一家医院集团希望打造垂直化的医疗大模型，却无法把真实病历交给某一家中心化服务商；而借助联邦式的去中心化网络，它可以在数据仍留在本地的前提下参与全网模型训练。同时，链上的所有权记录还能为监管审计提供可追溯的证据链，满足合规需求。
DeFi 协议和 Web3 应用则需要一种“不受审查、不被下架”的 AI 推理能力。设想一个使用 AI 处理现实事件数据的预测市场——它无法承受在运营中途，被某家中心化 API 供应商突然切断接入。去中心化推理市场通过多节点冗余和结构性抗审查能力，提供了中心化 API 无法给予的韧性和可持续性。
普通散户代币持有者的处境则最为微妙。持有治理代币意味着拥有投票权和手续费分成的权利，但要真正变现这部分价值，前提是持续参与治理。如果被动躺平、不参与投票，其实是在被那些积极参与治理的持有人“稀释权重”。这种动力结构，与 DeFi 治理代币的持有体验非常类似：上行空间客观存在，但回报与参与度高度绑定。
延伸阅读：https://yellow.com/news/solana-etf-bitwise-filing
性能与可验证性的真正权衡
任何关于去中心化 AI 的讨论，如果回避技术短板，都是不负责任的。核心矛盾非常直接：计算越可验证，执行就越慢、越昂贵。
以推理为例，一家中心化 API 服务商（如 OpenAI 的 GPT-5）在典型请求上的返回延迟大约为 500 毫秒。而在 2026 年，要对同等规模的模型做一次完全零知识证明（zk）保护的推理，通常需要 30 秒到数分钟不等，取决于硬件条件和所用证明系统。对于高频交易信号、实时内容审核、交互式聊天机器人等对延迟极为敏感的应用而言，这一差距仍然完全不可接受。
“乐观执行”（optimistic execution）思路显著缩小了这一差距：在乐观推理模式下，模型返回初始结果的速度几乎与中心化服务完全一致，差别在于“终局性”会被推迟——应用必须等待一个挑战窗口结束后，才能将结果视为最终确认。对大多数 Web3 用例而言，几分钟的挑战窗口是可以容忍的；但对需实时响应的应用，这依然构成硬约束。
在成本层面，对比则更为有利。中心化 API 提供商因掌握前沿模型访问权，天然具备一定垄断定价能力；而在多方竞价的去中心化推理市场中，执行价格会被竞争压向接近边际成本。来自 Akash Network 等去中心化算力市场的早期数据表明，对于不追求绝对前沿能力的模型，通过去中心化市场获取标准化 GPU 资源，整体推理成本可较同档中心化 API 低 30%–60%。
现实结论是：**在对延迟不敏感、对隐私和抗审查有刚性需求的场景中，去中心化 AI 网络已经具备量产级可用性；而在对实时性与能力边界要求极高的场景里，领先的中心化供应商仍拥有明显优势。**从证明生成硬件的演进和 zkML 研究的进展看，这一差距会持续收缩，但在可预见的未来不太可能被完全抹平。
延伸阅读：https://yellow.com/news/bitget-cfd-copy-trading-tiered-margin
结语
去中心化 AI 网络并不是要取代那些用于训练前沿大模型的超大规模 GPU 集群。
它们真正要构建的，是覆盖 AI 全生命周期的经济与法律基础设施：让自愿贡献变得“经济上合理”、让开放式所有权在链上具备可执行性、让推理收入的分配过程可审计、可追责。区块链在这里更像是“产权登记簿”和“清算结算层”，而不是那台完成所有重型计算的“超级计算机”。
2026 年 7 月 Sentient 的价格飙升，反映的是市场开始为这样一种预期定价：如果开放式 AI 生态要在资本雄厚的封闭式竞品旁边长期生存，就必须有一套可信的经济模型和激励机制。链上模型指纹、带密码学验证的推理市场、叠加差分隐私的联邦训练，这些机制不再停留在白皮书里，而是已经在真实网络中运行，并在持续向贡献者支付回报。
下篇阅读：Grok 4.5 Challenges OpenAI And Anthropic With Cheaper Agentic AI
