作者： IC3

編譯：佳歡，ChainCatcher

核心結論

AI 與crypto 有意義的結合仍處於非常早期的階段，圍繞著這一交叉領域的喧囂，已經蓋過了實際進展。

在Crypto x AI 方向，AI 已能分析並偵測現有交易、事件與協議的關鍵性質，識別詐欺或有漏洞的智慧合約。這類技術多採用簡單的機器學習方法，在資料充足的受控環境中最有效。

在AI x Crypto 方向，crypto 工具為保護和治理AI 流程提供了新途徑。零知識證明、可信賴運算等工具可改用於降低AI 結果被竄改的風險。而去中心化治理、去中心化基礎設施管理等設想，在主流AI 圈尚未真正落實。

行業還需要證明兩件事。

第一，去中心化AI 要與中心化方案做更嚴格、更直接的成本比較。目前產業主要在證明"能在分散式環境中訓練出大模型"，但用成本在具體場景下與中心化平台競爭的機會，仍缺乏量化證據。

第二，crypto 支付要論證它在agent 支付場景下相對中心化方案的真實效用。 crypto 在支付領域一直缺乏實質起色，但agent 支付費率低，又不必套用傳統金融中"帳戶必須歸屬某個人"的模式，因而具備潛力，行業應當用量化證明抓住機會，而非停留在可行性。

另外有兩個待解的研究難題。

一是AI 安全需要係統層防禦：AI 圈通常在模型層面解決安全問題、圍繞輸入輸出語意設計護欄，但隨著agent 自主性增強、並能直接觸及底層基礎設施，這種方式將不再夠用，crypto 的可驗證執行與認證流程能補上模型層做不到的系統層保障。

二是crypto 與AI 結合會催生新的威脅主體和攻擊向量，例如下文會講到的無法關停的自主agent、失控的智能合約。

一個統一框架：AI 與Crypto 互為"中間件"

一條自動化決策流程可拆為四環：人的意圖、輸入、程序、輸出，而這條鏈上每一環都未必可信。 AI 與crypto 在此框架中各管一段。

AI 是"翻譯中間件"，把人類模糊的意圖翻譯成機器可執行的程序，例如把"我想識別停車標誌"轉化為一個訓練好的模型，從而降低使用區塊鏈的門檻。

Crypto 是"取信中間件"，透過可信任計算保證某段計算確實依約定執行、結果未被篡改（完整性），透過去中心化保證系統始終可用、抗審查（可用性），部分方案還能保證輸入輸出不洩漏（保密性）。

可信計算有三條技術路線。

第一，可信賴執行環境（TEE），依賴專用硬體提供隔離與遠端證明（硬體出示可驗證的狀態證明，讓對方確認晶片真實、未被竄改）。借助英偉達機密計算，8B 參數模型推理的額外開銷低於7%，70B 模型幾乎沒有損耗。代價是信任硬體廠商，且不抵禦物理攻擊。

第二，零知識證明（ZK），只依賴密碼學難題，安全假設最乾淨，但開銷極高。約1800 萬參數的小模型產生證明就需約一分鐘，離前緣大模型差好幾個數量級。

第三，多方計算（MPC），讓多方在不交出原始資料的前提下聯合計算，速度更慢。最先進的MPC Transformer 推理框架，為LLaMA-7B 產生單一token 約五分鐘。

預言機負責把鏈下資料可可信地送上鏈。隱私預言機（如Town Crier、DECO）進一步支持在不洩露隱私的前提下證明資料性質，例如證明"某人信用分高於700"而不暴露其他資訊。

業界把這套技術統稱zkTLS，但其中基於TEE 的方案並未使用任何零知識證明，屬於命名上的誤用。

Crypto x AI：用AI 增強區塊鏈

AI 用於crypto 的研究大致按時間分為三代。

第一代：分析檢測

十多年前起，機器學習被用於分析鏈上狀態：發現共識協議漏洞（如自私挖礦，即礦工藏起已挖出的區塊、擇機發布以多佔收益）、檢測P2P 網路的日蝕攻擊（用大量惡意節點包圍某節點、切斷它與誠實網絡的連接）、預測幣價、識別欺詐與洗錢。

限制在於，這類分析多依賴能取得全域公開資訊的場景，且受限於模擬資料、缺乏真實攻擊樣本。

目前最先進的合約漏洞檢測，已不是讓AI 直接從程式碼猜結論，而是先由AI 提出可疑點，再用靜態分析、符號執行（不實際運行程式碼，而是分析程式碼結構來找漏洞）去驗證。

單純讓大模型當審計員會因幻覺產生大量誤報，GPT-4 與Claude 在52 個曾被攻擊的DeFi 合約中僅40% 正確識別出漏洞類型。

第二代：演算法設計

近六年，強化學習被用於設計去中心化演算法，涵蓋P2P 網路拓樸、共識協議參數與角色選擇、分片、DeFi 做市與借貸利率、MEV 競價策略等。

這些方法大多在能夠清晰建模的環境中有效，且多停留在研究階段，尚未在真實網路中大規模部署、經受攻擊檢驗。

第三代：與現實世界交互

借助AI 驅動的預言機，智能合約獲得三種增強能力：感知（理解非結構化資料與自然語言）、執行（調用鏈下AI 模型與工具）、決策（作為agent 依目標函數行動）。

AI 扮演預言機的實測表現並不均衡。根據Chainlink Labs 的實驗，GPT-4o 在1660 個預測市場問題上整體準確率89.3%，UMA 的Truth Bot 整體為75%，而人工在UMA 樂觀預言機（先默認答案為真、設爭議期，無人質疑即生效）上的準確率為98.2%。

準確率高度依賴問題類型：體育賽果等有官方資料來源的離散問題可達99.7%，涉及時間先後或需轉錄影片計數的問題錯誤率顯著上升。

因應方式有三種：一是設計成可容錯，僅用於低價值場景；二是引入人工仲裁，如設48 小時爭議窗口，但會拖慢決策；三是讓模型在不確定時棄答，僅在此時才引入人工。

把資金池交給AI 模型集體交易的"投資DAO"，報告稱之為CoinAlg，代表項目如ElizaOS、AI XBT，峰值市值分別達到27 億、47 億美元。這類產品面臨一個無法迴避的設計困境，可稱為"CoinAlg 死結"。

交易策略若透明，會被抄襲或被三明治攻擊（搶先在受害者交易前後各下一單、靠滑點套利）奪走利潤；若保密，掌握策略的內部人可藉信息差提前獲利，等同內線交易。兩條路都損害普通投資者。

初步緩解想法是用TEE 包裹策略並對交易做隨機化處理，增加內部人的預測難度。

新風險：AI 驅動的作惡智能合約

智能合約用於取代人際信任，這也意味著最缺乏可信關係的犯罪者可能從中獲益。

一個機制是：合約為某項犯罪懸賞，犯案者事先用密碼學承諾一張"暗記"、事後揭曉，由AI 模型比對新聞報道、確認作案完成後自動支付賞金。 AI 在此承擔了過去難以自動化的"裁定"角色，可被用於定向騷擾、竊取組織情報、揭穿舉報人身分等場景。

可行的反制包括鏈上分析追蹤、把涉案資金列入黑名單，以及讓部署AI 模型的預言機在高風險請求時拒絕服務。

AI x Crypto：用Crypto 增強AI

crypto 對AI 的潛在貢獻分為兩類：一是去中心化AI 生命週期的各環節，二是保護這些環節的安全。

去中心化基礎設施（DePIN）

去中心化實體基礎設施網路讓節點以代幣激勵提供算力等資源。 Theta、Akash 等宣稱比AWS 節省50% 到85% 成本，主要瓶頸是節點間透過公網通訊帶來的吞吐與延遲。

適配性依任務類型不同。訓練對延遲不敏感（離線進行），但跨地域同步通訊是瓶頸，目前已有在分散式硬體上訓出數十億參數模型的成果（Bittensor 上的700M 與7B、Prime Intellect 的100 億參數Intellect-1，最大為Psyche 網路上在訓的400 億參數模型）。

推理對延遲更敏感，但吞吐要求低於訓練、且無需反向傳播（訓練時把誤差逐層回傳更新參數的核心步驟，只有訓練才需要），延遲不敏感的推理（會議紀要、文檔審查）尤其適合DePIN。

關鍵缺口在於，這些項目大多不報告端到端總成本。它們宣傳的是單塊GPU 每小時的價格，而真正決定ML 任務成本的是訓練效率（每單位成本的迭代次數）與推理效率（每單位成本的token 數）。

去中心化資料與模型市場

AI 資料有幾個區別於普通商品的特性。它是數位商品，首次創造昂貴、複製卻近乎免費；多為非競爭性（一份數據可被多方同時使用而不損耗）；質量難以事先判斷，即"檸檬市場"問題（買方無法事先判斷質量，導致優質品被劣質品擠出），賣家需提供樣本，但樣本本身就有價值；且可被轉售，還難以界定兩份數據是否相同。

中心化市場的爭議在於定價不透明、限制使用者選擇，但中心化定價有時因掌握更多資訊而更有效率。

資料市場尚未出現壟斷巨頭，是用去中心化方式重做的窗口期，可藉助的crypto 工具包括微支付、TEE（限定資料僅在特定任務中使用）、零知識證明（向買家披露資料性質而不洩露資料本身）。

現狀是，多數平台只用加密貨幣完成了支付環節，定價機制要麼由協議方決定、要麼完全交給賣家，這兩種在中心化市場早已存在。去中心化究竟改善了什麼，仍研究不足。

Agent 支付軌道與x402

agent 生態本身已是去中心化的：不同方用不同模型發展、最佳化不同目標，沒有天然的中央控制點。 crypto 的密碼經濟學（以密碼學手段疊加經濟獎懲來約束參與者行為）思路可遷移到agent 治理。

微支付是agent 經濟的關鍵。網路史上微支付屢屢失敗，卡片在於人為每筆小額支付做判斷的決策成本，而非支付基礎設施。 agent 評估微支付遠快於人類，使用者只需設定策略，這可能讓微支付首次跑通。

Cloudflare 已推出"按爬取付費"，x402（讓程式透過HTTP 直接完成鏈上小額支付的開放協議）等協定正在開發中。

這套體系底層資產以穩定幣為主（USDC、USDT、DAI），因為它們能給agent 穩定的記帳單位（給所有商品統一標價的尺度），而ETH、SOL 等原生代幣波動過大。

agent 之間的信任靠鏈上註冊表（如ERC-8004，以太坊上為agent 建立鏈上身份與聲譽的提案標準）記錄身份與聲譽，但這些本質是自我聲明，且聲譽滯後、利好既有玩家。

更進一步的方案是可驗證agent 審計：在TEE 內運行的LLM 審查專有agent 代碼、產出聲譽評分，審計結果綁定到代碼哈希，使代碼保持私有的同時讓驗證者獲得可信保證。

無法關停的自主agent（UAA）是另一個重風險。前沿agent 能自主完成的任務時長，自2019 年起約每七個月翻一倍。已有研究顯示模型在本地能突破自我複製紅線、造出獨立副本，但複製到外部基礎設施仍卡在身份驗證。

Anthropic 的Mythos 模型已展示出自主發現並利用零日漏洞（廠商尚未知曉、還沒有修補程式的漏洞）的能力。一個持有錢包、又關不掉的agent，會落在以"運營者"為中心的現有監管框架的盲區。

去中心化治理

區塊鏈社群在分配系統控制權上有更長的實踐史，方式天然去中心化、試圖納入廣泛利益相關方，但也有公認短板：安全漏洞、投票冷漠、賄選。

社群治理在AI 開發各環節的適配性不同：預訓練資料量太大，難以收集有效意見，價值更多體現在微調階段；底層架構選擇屬技術決策，不適合社群治理；評估與對齊環節混合了技術與規範判斷，社群輸入有價值。

Constitutional AI 以一部由人編寫的"憲法"確立模型應遵循的原則。 Anthropic 參與的Collective Constitutional AI 引入公眾投票生成原則，以公開來源原則訓練的模式社會偏見較低。但這類民主化治理實驗基本上未被真正採用，AI 公司缺乏交出模型控制權的動力。

DAO 的代幣加權投票被公認為"金權政治"，由此衍生出二次方投票（追加票數的成本遞增以抑制巨鯨）、信念投票（按持票支持時長累積權重）、委託投票等機制，但有效性仍不明。

保護AI 系統的執行完整性

當智能合約需藉助超出自身能力的ML 計算時，可作為"仲裁者"：各方先承諾所用模型與數據並質押抵押品，鏈下完成計算後把結果交給合約校驗，錯誤方被罰沒。校驗有四條路線，各有取捨。

第一，TEE，最高效，由可信任硬體簽章證明計算完整性，但需信任營運方。

第二，樂觀執行，結果先視為非終局、留爭議窗口，爭議時用二分查找（把出錯範圍反覆對半切分、快速定位出錯步驟）定位到單條出錯指令再罰沒。

難度在於ML 浮點運算的非確定性，需用受控的運算順序或容差語意（不要求兩次計算分毫不差，允許在誤差範圍內即視為一致）來處理，代表方案有Verde、TAO、Arbigraph、OPML 等。

第三，零知識證明（zkML，用零知識證明來證明AI 推理過程正確），可在隱藏模型參數、甚至輸入輸出的前提下證明推理正確，已有針對CNN、Transformer 的專用方案及通用編譯器（如EZKL、ZKML、DeepProve）。

它的隱私目標其實有三層，分別是藏輸入、藏權重、藏模型結構，但隱私越強，電路約束越複雜、可優化空間越小，存在隱私與效率的根本張力。主要成本來自非線性層與數值表示，仍難以支撐長上下文、大模型與高吞吐服務。

第四，統計推理證明，原理是兩個功能不同的模型、內部算出的特徵也必然不同，因此只要抽樣比對這些特徵，就能概率性地判斷推理是否真由指定模型執行。

它證明開銷在毫秒級、且即時終局，適合高頻、低延遲場景。它能防住的是服務方偷換模型這類現實作惡（如換成更便宜的蒸餾版、或換掉已對齊的版本），但擋不住憑空偽造整條計算記錄的完全惡意者，後者仍是未解難題。

證明模型訓練（zkPoT，用零知識證明來證明訓練過程正確）比證明推理難得多：訓練過程持續時間長、中間狀態不斷累積、隨機性強，複雜度比推理高出若干數量級。相關工作（Garg 等、Kaizen）正在推進，並延伸出對訓練資料來源、公平性約束的可審計證明（ZkAudit、Confidential-PROFITT）。

保護訓練管道

單一機構用自己信任的資料訓練模式時，通常沒有即時的隱私或完整性顧慮。複雜的安全挑戰出現在多方聯合訓練、資料來源多元時。

典型場景是多家醫院聯合訓練診斷模型：合併各方電子病歷（EHR）能涵蓋更廣的病患群體、提升診斷精度，但受HIPAA 等法規約束，各方不願也不便把原始資料直接交給彼此或第三方。

金融機構聯合訓練反詐騙模型、企業聯合訓練入侵偵測模型，也屬同類情況。

聯邦學習是為此設計的方案：訓練環境先初始化一個全域模型並分發給各方，各方在本地用私有資料訓練、只回傳模型更新，由訓練環境匯總成新的全域模型，資料全程不出本地。

但聯邦學習落地有限（最知名的應用是手機輸入法的預測）。它不保證資料和運算的完整性，即便各方誠實，通訊開銷也很大、網路與協調延遲會拖慢整體速度、模型精度低於集中訓練，惡意參與者還能給模型投毒或植入後門。

一個更簡單的替代是用TEE 做集中訓練：訓練環境跑在可信機密計算環境裡，透過加密通道接收各方原始資料、集中訓練，只輸出訓練好的模型，資料彼此不可見，還能附帶一份模型溯源證明（誰提供了資料、模型怎麼訓的）。

代價是TEE 固有的側通道風險和高I/O 開銷。現實中機構目前多把資料匯集到合規雲端裡，靠隔離、存取控制、加密和資料使用協定來滿足合規，但這需要信任雲端服務商。

私域網路資料是另一條想法。公開網路的文字資料正逼近極限（有預測稱2025 到2030 年間耗盡），合成資料又有"模型崩潰"風險，且無法拓展已有領域之外的資料覆蓋。

而"私域網路"（郵件、健康、財務等不對爬蟲開放的資料）據估計比公開網路大兩個數量級，是尚未開采的富礦，但目前高度孤島化。

預言機能打開這道門。以患者上傳病歷訓練醫療模型為例，用戶可藉預言機把自己的病歷從醫院門戶中轉給訓練方，並證明數據確實來自該門戶，全程無需醫院改動任何基礎設施，因為連接由用戶發起。

要同時保護隱私，需要疊加隱私預言機（資料走加密通道）和TEE。 TEE 還能向用戶出示證明，表明自己運行的就是那套"只輸出模型"的隱私訓練軟體，用戶在傳數據前即可核驗。

在此基礎上還能附加差分隱私（模型輸出對任一條訓練資料的依賴極小）、資料用後即刪、成品模型僅限白名單醫院使用等較細的承諾。

安全推理管道與受保護管道（Props）

同一套預言機加可信任計算的組合，也能用於對私域資料做安全推理。

以銀行貸款核准為例：模型讀入申請人的財務文件、輸出批或拒。今天的流程是藉款人自行下載或拍照上傳資料，由此帶來兩個問題，一是放貸方無法確認資料是否真實、未被篡改，二是藉款人資料可能從放貸方的模型系統洩露，對雙方都是風險。

用隱私預言機解決來源真實性、用機密運算解決隱私，就能得到一條安全推理管道：放貸方只看到模型結論，同時確信輸入可信。

私域來源還能順帶充當身分與憑證系統。

借款人能中轉出帶本人身份的銀行流水、W-2 表，本身就是有力的身份證明，讓現有網絡服務變成對抗身份盜用與福利欺詐的臨時身份系統；模型也能據此簽發憑證，比如核驗小微企業的納稅與經營材料後，出具一份"符合某項資質"的證明並附上推理渠道的證明。

整個過程可去中心化完成，理論上任何人都能搭起一條可信推理管道，無需資料來源或既有權威配合。

對抗性輸入是個頑固難題。攻擊者可提交一份肉眼看著正常、卻被精心改造的銀行流水，騙過模型讀出虛高餘額、誤批貸款。學界對抗樣本的研究一直是"破解—打補丁"的循環，至今沒有通用解。

安全推理管道提供了一個新想法：把輸入限定為來自認證網路來源，從而壓縮攻擊者建構對抗性輸入的空間，與模型層防禦互補。

模型本身的隱私也需保護。攻擊者可透過精心建構的查詢做模型竊取（提取特徵甚至整個模型）、成員推斷（判斷某人數據是否在訓練集裡）乃至還原原始訓練數據，也可藉此窺探系統的配置與預處理選擇。

研究者曾估算，約8,000 美元就能竊取某大模型一層的權重。開放系統裡常用的限速很脆弱，因為單一匿名使用者可偽裝成大量使用者發動女巫攻擊（Sybil 攻擊）。

安全推理管道能從兩頭緩解：用預言機限定輸入類型，遏制需要大量多樣化查詢的提取攻擊；再用管道內生成的強身份證明，對每個用戶施加查詢次數上限，且能在不向平台暴露用戶身份的前提下執行，從而壓製女巫攻擊。

agent 記憶是新出現的攻擊面。攻擊者透過工具調用或外部材料污染餵給agent 的上下文（記憶注入），可誘導agent 異常行事，例如在管理大量加密資產的ElizaOS 框架中，被污染的上下文能誘使agent 發起未授權交易。

TEE 能部分緩解：讓agent 跑在TEE 內、或只拉取認證過的上下文。

但即便有TEE 仍有兩個難點。

第一，可信任來源裡也可能有被污染的內容，例如來自社群平台的內容由用戶自行產生，發文者可輕易為自己的貼文投毒。

第二，TEE 運作方可發動回溯或分叉攻擊，把TEE 狀態回退到舊檢查點、抹掉之後的記憶更新。

前者屬於內容檢測難題、密碼學解決不了；後者已可藉共識思路應對，ROTE、Narrator 等系統用分散式協定、甚至公鏈來保證TEE 狀態的一致與新鮮。

把這一節的架構歸納起來，就是"受保護管道"（Props）這一通用框架，目標是在不改動現有基礎設施的前提下安全使用私域資料。

它把預言機和可信任計算拼成三段：預言機從認證的私域來源取數並證明來源、TEE 在加密邊界內完成訓練或推理、TEE 輸出模型或結論並附上一份說明管道屬性（資料來源、軟體或模型的程式碼雜湊等）的證明。

Props 保證三個性質：端對端的輸入完整性（輸出只依賴來自可信任私域來源的認證資料）、預設保密（輸入和中間狀態不出受保護邊界，隻公開輸出）、可證明而不洩露（證明讓資料提供者和結果使用方都確信完整性與保密性成立）。

它也有一個"透明版"，資料和計算不必保密、只需認證，來源可公可私。

關於Crypto x AI 的五個誤解

圍繞著Crypto x AI 平台與應用，業界出現了若干常見誤解或誤導性說法。以下五條都不是徹頭徹尾的假話，關鍵在於釐清哪些部分當下成立、哪些仍需更多證據。

迷思一：區塊鏈能區分AI 生成內容與人類生成內容

把內容登記上鍊、事後就能判斷它出自AI 還是人類，這是常被引用的說法，已有項目（如Everlyn AI）在把AI 生成內容上鍊。但區塊鏈無法在一般意義上做到這件事，需要把"內容檢測"和"內容溯源"兩個問題分開看。

內容檢測是判斷一段內容由人還是AI 產生。目前主流是事後檢測，不依賴預先植入的元資料或訊號，分為兩類：一類是AI 分類器，以深度學習辨識產生模型特有的統計特徵；一類是統計取證，分析像素級雜訊分佈、結構異常（如AI 人臉的生理不一致）。

問題在於，區塊鏈本身無法感知這些鏈下訊息，分類結果必須由外部分類器提供。上鏈只能錨定這個結果，保證記錄提交後不會被竄改，卻無法保證記錄寫入時就是真的。外部偵測器若判斷錯誤，區塊鏈會把錯誤永久保存下來。也就是說，區塊鏈提供的是"聲明的完整性"，而非"聲明為真的驗證"。

內容溯源是記錄數位資產從創建起的歷史。 C2PA 等業界標準讓創作者或裝置為媒體附上密碼學簽署的元資料（內容憑證），記錄來源、作者與後續編輯，Numbers Protocol、Starling Lab 等用區塊鏈做這些憑證的公開不可篡改登記表。

但即便有錨定到鏈上的健全溯源系統，也無法保證內容最初是人還是AI 產生的。

使用者完全可以把一張AI 生成圖顯示在高清屏上、再用符合C2PA 的相機拍下來，得到一份簽名有效、標註為"真實拍攝"的文件；文本同理，AI 生成後手動重打進合規編輯器，就會帶上"人類創作"的合法溯源信息。

此外，內容一旦被改到無法與鏈上記錄匹配，溯源就斷了，而覆蓋所有內容的通用登記表在可見的未來幾乎不可能出現，溯源系統必然存在大量缺口。

重點：在狹義上，區塊鏈能為溯源元資料提供健全的完整性保障，但遠不是AI 生成內容偵測問題的完整解。

真正有效的方案需要一個通用生態，讓每份內容都用可信設備捕獲並即時上鏈，而現實中絕大多數內容由不支持密碼學錨定的工具創建和分享，未標註內容仍處於模糊地帶。

迷思二：區塊鏈或去中心化能解決AI 的偏見與公平問題

"把模型推理和訓練放到鏈上就能解決AI 的不公平和偏見"，要評估這個寬泛說法，需要先區分不同類型的偏見。

演算法偏見是AI 圈最常見的公平性概念。模型會學到甚至放大資料集裡的失衡，導致判別模型在弱勢群體上表現差、生成模型沿襲訓練資料中的不良傾向（如有害語言、固化刻板印象）。

學界已提出大量訓練時與推理時（護欄）的技術方案，但這些保護不完美，公平性至今不算已解決問題，甚至可能永遠無法徹底解決，連"如何定義公平"本身都需要做大量取捨。

去中心化解決不了演算法偏見，因為它源自於訓練過程本身，通常靠著改進訓練或推理技術來緩解，去中心化觸及不到根源。

但偏見還有第二個來源，就是影響模型表現的高階決策：用什麼資料、用什麼架構、如何補償貢獻者。這一層與AI 圈通常理解的公平性正交，卻可能影響演算法偏見，且部分能藉去中心化的兩個特性來改善。

第一個特性是透明。開發者可用區塊鏈公開承諾訓練資料、訓練演算法、模型檢查點和推理護欄，讓營運者可證明地追蹤某次訓練或推理的輸出。

但這難以擴展到大模型和檢查點這類訓練時產物（存儲與算力成本太高），現有系統裡這些數據大多本就存在鏈下、用戶也無法直接訪問，短期內透明的收益可能只限於推理環節。

更關鍵的是，除非業界想清楚這種透明要服務什麼用例、該配什麼介面（例如讓用戶舉報資料被不當使用，這又需要確立真正的資料所有權、配套機器遺忘等技術），否則透明本身未必能改變人們開發和使用AI 的方式。

第二個特性是去中心化治理，需要區分兩類。第一類是區塊鏈裡探索、採用過的社群治理機制（代幣加權投票、流動民主，後者指可把票委託給信任的人）；第二類是DAO 所代表的去中心化自治治理，也就是由智慧合約強制執行治理決定。

兩類的共同要害是，社群治理這類機製本身都不需要區塊鏈就能實現，所以把它們說成"被區塊鏈解決的AI 問題"並不準確。其中技術性、效能敏感的AI 決策不適合廣泛投票，但價值取向類決策（如模型對齊）較適合，主流AI 開發者探索過、只是尚未真正落地。

而真正由智能合約強制執行的鏈上治理（直接執行或質押罰沒）能增強穩健性，但面臨與鏈上透明同樣的技術壁壘，當前基礎設施撐不起AI 的存儲與算力需求，落地還需可驗證訓練的重大進展，是個自洽卻為時尚早的長期願景。

重點：區塊鏈本身並不能減少演算法偏見，但能在AI 生命週期各階段促進透明，並擴大AI 治理的參與面。

迷思三：給AI agent 一個錢包，就讓它"自主"了

做"agent 錢包"和支付協議的項目常宣稱，給AI agent 一個錢包、讓它能自己賺、自己花、自己"活下去"，就讓它自主了。這種說法混淆了幾個不同的概念。

歧義首先來自於"自主"在兩個領域中意義不同。在AI 語境裡，自主agent 指能基於自身知覺、學習、經驗行動，而非死守預設規則；智能合約也常被稱為自主，但強調的是抗篡改、抗審查、抗關停的韌性。

前者稱為"智能自主"，後者稱為"執行自主"。現代AI agent 已具備相當的智慧自主，但未必有執行自主，管理員仍能關掉運作它的伺服器。

而agent 錢包帶來的，兩種自主都不是。擁有錢包不會讓AI 更聰明，也不會讓它更能抵抗人為操縱或關停，它帶來的其實是自動化：agent 能以程式設計方式交易、轉帳、呼叫鏈上設施，不必走人工審批環節。

這種自動化也並非區塊鏈獨有，中心化金融基礎設施同樣能被agent 以程式方式調用。一個更站得住的解讀是：區塊鏈支付系統本身比中心化方案提供更強的自主性（儘管不專為agent 服務），例如能保證agent 的交易不被區別對待，即中立性與抗審查。

重點：agent 錢包讓AI agent 能方便呼叫金融介面、把經濟互動自動化、免去人工審批，但自動化不等於自主。只有錢包並不能讓agent 擺脫人的控制（營運方仍能關停它依賴的模型或設施），自動化支付也不需要區塊鏈，中心化系統同樣能實現。

區塊鏈支付的真正賣點在於中立性與抗審查，適合擔心支付被壓製或介入的場景。

迷思四：透明的AI 等於可信的AI

把模型的資料來源和推理記錄上鍊，看起來是保障AI 可信的理想工具，這一論點出自一篇廣為引用的IBM 博客，並被引申到AI agent。但需要分兩層拆解。

模型層透明方面，記錄訓練資料來源看似帶來了關於模型創建的透明，但"資料來源記錄"和"模型行為保證"之間隔著巨大鴻溝。

其一，鏈上記錄只是記錄、不等於來源的證明（對訓練集構成的證明另需專門技術）。

其二，即便完全掌握訓練數據，也不足以判定模型會如何表現，因為訓練流程和計算環境同樣決定模型行為。

其三，即便掌握從資料到模型的完整流程、足以復現模型，隨機訓練固有的非確定性也讓"用訓練流程去核驗模型權重"在原理上就不可行。

更何況，即使拿到權重，也沒有普遍有效的手段檢測訓練中植入的後門或對抗性操縱，而把模型資料和訓練資訊記上鍊，並不能直接保證其行為特徵或不存在對抗性操縱。

推理層透明方面，把模型輸入和對應推理記上鏈，看似帶來了關於模型使用的透明，但區塊鏈讓交易透明、而非讓推理透明。一條寫著"模型X 在輸入Y 上得到推理Z"的鏈上記錄，幾乎無法證明Z 可信。

因為它既不能證明"正確執行"（要證明這個三元組確實由模型X 按規格運算而來，需要TEE 或昂貴的密碼學手段），也不能證明"模型可信"。

即便證明了執行正確，更根本的問題是：模型X 的完整來源記錄，並不能在語義層面證明它符合用戶預期或行業規範；用權重哈希來指定模型，保證就更弱，因為模型的身份並不等於模型的可信。

區塊鏈對某些可信任目標確實有用，例如機構把開源權重模型的雜湊公佈上鏈，作為不可篡改的參照，讓用戶確認自己用的是未被改動的真實模型；類似的防篡改日誌也用於固件更新記錄和證書透明（用類區塊鏈的只追加日誌維護可公開審計的證書簽發記錄）。

重點：把模型資料來源和推理記錄上鍊，與"模型及推理可信的有意義保證"之間，仍存在相當大的鴻溝。

迷思五：去中心化天然讓AI 任務更省錢

一類項目把去中心化網路當作更有效率、更省錢的AI 方案，典型是去中心化實體基礎設施網路（DePIN），用戶把自己的硬體（如GPU）租出去，主要賣點是成本更低，租一塊DePIN 的GPU 可能比在同檔雲端服務商租便宜得多。

但便宜的機器不一定會帶來較低的任務總成本。去中心化節點透過公網通信，AI 任務的吞吐和延遲需求會顯著影響總成本，而超大型任務（如訓練前緣模型）通常受吞吐瓶頸限制。

目前難以做直接成本對比，因為業界仍缺乏系統性的基準測試，無法把DePIN 上的AI 任務與傳統雲端做同口徑的效能與成本比較。

重點：去中心化網路是高成本中心化雲端的一個有吸引力的替代選項，但現有數據還不足以預測一個任務在DePIN 或去中心化AI 平台上何時會比中心化雲端更便宜。

小任務（推理、小規模訓練）很可能更省錢，超大型任務（訓練基礎模型）則可能被節點間不穩定、低頻寬的通訊拖累。要釐清這些權衡，仍需更多研究。

這五個迷思的共同點在於，區塊鏈能提供的更多是"完整性"和"可驗證性"，而非"真實性"或"可信性"本身。 Crypto x AI 仍處在需要用證據說話、而非靠敘事推進的早期階段。

Bitmine再次買進2.5萬枚ETH，三天內已累計買進12.5萬枚ETH

熱門文章