撰文：Ekko an、Ryan Yoon，Tiger Research

編譯：Chopper，Foresight News

TL;DR

• 在人工智慧蓬勃發展的背景下，我們需要從需求側的角度來評估區塊鏈行業：它解決了哪些現有系統無法解決的問題，以及它帶來了哪些獨特的能力？
• 去中心化算力、去中心化儲存確實存在資料主權、成本優勢等合理邏輯，但尚未形成具備絕對說服力的技術優勢，不足以讓已深度綁定傳統雲端服務商的企業承擔切換風險。
• 模型驗證、隱私加密技術無法解決企業當下迫切的業務痛點，企業不會主動大規模落地；該賽道需求大概率會滯後於監管政策出台，歐盟 AI 法案便是典型先例：先出台標準，市場需求才會跟進。
• AI 智能體底層基礎設施賽道的瓶頸不在於技術。主流企業現階段重心是內部流程自動化，而區塊鏈項目研發的是下一階段的底層設施，市場需求成熟度跟不上技術發展速度。
• AI 智能體支付是唯一區塊鏈與傳統金融站在同一起跑線的賽道，雙方均未妥善解決行業痛點，也是當下唯一具備直接競爭條件的細分領域。
• 整體來看，區塊鏈 + AI 賽道的困境並非二者結合邏輯自相矛盾，而是供需嚴重錯配。四大細分賽道各有獨特的需求缺位問題，只有 AI 智能體支付賽道具備當下直接參與市場競爭的條件。

AI 全面爆發，區塊鏈賽道卻被遠遠甩開

AI 行業迎來前所未有的資本與基建投資熱潮，各大科技巨頭搭建的大模型生態，全面滲透大眾生活與工業生產。加密行業也在快速迭代，試圖找到與 AI 的技術結合點。

早期探索方向集中在補足、複刻傳統 AI 產業鏈環節：去中心化 GPU 算力供給、資料確權、密碼學模型校驗。近期行業重心轉向解決中心化架構難以攻克的痛點，包括 AI 智能體自主鏈上交互、機器間實時自動結算。

籠統用 「AI + 區塊鏈」 概括整個賽道，只會掩蓋細分領域的真實差異，我們需要進行嚴謹的需求側分析：每個細分賽道瞄準什麼問題？區塊鏈原生方案是否能提供真正差異化的解決方案？

四個細分賽道

去中心化算力

當前雲端市場高度依賴少數頭部科技企業掌控算力資源。高性能 GPU 採購難度大、成本高昂，無力搭建大型基礎設施的 AI 初創團隊與科研機構面臨極高入行門檻。

中心化平台資源會向大客戶傾斜，市場海量閒置 GPU 算力缺乏中立渠道進行調配。

去中心化算力通過兩種模式化解資源集中與低效問題。共享經濟模式聚合個人、小型資料中心閒置顯卡資源，搭建統一算力網路，繞開科技巨頭壟斷，打造彈性供給體系。

分散式算力模式讓用戶可全球租賃算力，不依賴單一服務商硬體，提升閒置硬體利用率，降低高性能算力使用門檻。

去中心化儲存

現有資料儲存體系幾乎完全依附谷歌、Meta 等中心化雲端服務商。用戶上傳資料後，實際資料所有權轉移至平台，AI 訓練資料長期被巨頭壟斷。同時中心化架構存在營運風險：政策變動、服務中斷、平台故障都可能導致資料無法存取甚至永久丟失。

去中心化儲存透過兩種方式解決這些結構性問題。以 Filecoin 和 Arweave 為代表的共享經濟模式，將各個參與者的閒置儲存空間彙集到一個網路中，該網路能夠替代現有的中心化雲端。

永久儲存模型將資料在分散式節點多重備份，不受單一伺服器營運狀態影響，降低對單一平台依賴。

鏈上資料交易市場

AI 研發需要海量訓練資料，但現有資料流通市場高度封閉，Hugging Face、各大雲端廠商壟斷收益與定價權。資料創作者收益微薄，資料貢獻激勵機制缺乏透明度。

鏈上交易市場藉助智能合約去除中間商，建立透明交易規則。在 Ocean Protocol 等直接交易模式下，資料所有者和人工智慧開發者直接通過智能合約進行交易，報酬以透明的方式分配。在 Grass 等貢獻獎勵模式下，個人將閒置頻寬連接到人工智慧資料收集，並根據其貢獻價值獲得相應的報酬。

模型推理校驗與隱私保護

傳統 AI 屬於黑盒系統，外部無法核驗模型運算是否合規、敏感用戶資料是否安全處理。

零知識機器學習（ZKML）在 AI 推理層疊加密碼學校驗機制，同時實現隱私保護與審計可追溯。模型運算依舊在鏈下完成，但運算過程會生成加密憑證，證明整套流程嚴格遵循預設規則。

這種證明記錄在鏈上，而非底層資料。例如：醫保自動理賠場景，醫院僅上傳 AI 運算合規憑證，無需完整上傳患者病歷；保險公司核驗憑證真偽即可完成理賠，全程無法接觸原始隱私醫療資料。

AI 智能體框架

AI 智能體逐步成為流量與價值創造核心，從工具演變為自主經濟主體。現有金融體系基於人類消費行為設計，天然無法適配機器主導的支付場景。

智能體經濟需要毫秒級高頻小額交易、跨境實時結算，傳統金融基礎設施難以承載。

鏈上智能體基礎設施通過兩種機制解決這個問題。自主執行和控制機制為人工智慧體分配唯一的錢包和身份，使其能夠直接簽署交易，並設置可配置的支出限額和安全措施來防止意外行為。

基於協議的結算機制使用穩定幣支付協議（例如 x402）實時結算微交易和高頻支付，繞過貨幣轉換和審批流程。

區塊鏈 + AI 與傳統 AI 產業鏈的差異

傳統 AI 產業鏈的資本邏輯圍繞 「破除發展瓶頸」 展開。隨著 AI 需求擴張，顯示記憶體、電力、資料傳輸頻寬相繼成為短板，能快速解決卡點的企業（如高頻寬記憶體廠商、電力基建企業）會收穫巨額融資與市值上漲。市場願意為破除增長瓶頸的方案支付高額估值。

區塊鏈 + AI 項目確實瞄準了真實行業痛點，但始終無法獲得同等市場關注度。倘若這些問題真的迫在眉睫，市場早已出現大規模落地轉型。

即便去中心化算力、資料確權等賽道具備合理價值，卻難以吸引主流資本，核心矛盾在於技術供給方與手握資金的採購方需求嚴重脫節。

人工智慧行業發展節奏緊湊，買家（主要是大型科技公司和企業客戶）會大規模投資於能夠最快解決其當前營運瓶頸的方案。他們不會花時間評估未經檢驗的基礎設施。他們的首要考量因素是計算性能、基礎設施可靠性和可衡量的投資回報。

舉例來說：當資料傳輸速度成為模型訓練的瓶頸時，大量資金湧入光纖基礎設施，以取代銅纜。當記憶體頻寬成為主要制約因素時，SK 海力士和三星電子通過提供高頻寬記憶體解決了這一問題，從而在全球範圍內聲名鵲起。這種模式始終如一：資本會追隨那些能夠消除制約因素、推動進步的企業。

區塊鏈 + AI 賽道的根本問題是定位偏差。手握大額預算的企業只看重短期性能提升、成本下降；而區塊鏈 AI 項目深耕的，都是企業眼中次要、遠期的長期議題。供給側技術願景，與需求側當下營運需求無法匹配。

供給側技術願景，與需求側當下營運需求無法匹配。

技術硬實力不足

不少項目通過基準測試證明了去中心化基礎設施的潛力與設計思路，但未能實現顛覆性技術突破，不足以撼動市場根深蒂固的中心化雲端廠商（AWS、GCP 等）。

中心化雲端平台已經手握海量資金與成熟基建，新技術想要搶佔市場份額，必須具備碾壓級性能優勢，讓企業願意承擔切換成本。 蘋果從英特爾晶片切換自研 M1 晶片，需要承擔軟體相容崩潰的巨大風險，支撐其決策的是能效提升三倍的優勢，這項收益足以覆蓋轉型代價。

而區塊鏈 + AI 目前無法向需要 PB 級資料同步、超低延遲的企業客戶提供足夠有說服力的收益邏輯，企業不願承擔遷移風險。

供需結構性錯配

部分去中心化算力項目推出服務等級協議降低企業風險，但企業依舊觀望，問題根源不在合約，而在底層結構：頭部雲端服務商可提供專屬隔離機房；區塊鏈網路依賴分散、匿名節點提供算力。

一旦某節點掉線，中斷價值數億的模型訓練，代幣退款、現金補償都無法彌補企業損失的時間成本與商業機會。身處激烈行業競爭中的企業，系統穩定性是不可妥協的底線。即便配套風險對沖工具，企業也沒有動力承接去中心化網路自帶的不確定性。

市場需求尚未成熟

區塊鏈智能體框架面向多智能體協同自治的成熟生態，但主流市場發展階段遠未達到這一願景。

微軟、Salesforce 等企業雖加速落地 AI 智能體，但當前全部聚焦內網流程自動化。區塊鏈項目搭建的基礎設施，服務於下一階段：跨企業外部網絡獨立運行的自治智能體。當下絕大多數企業仍在打磨現有 AI 系統的穩定性與投資回報，跨網絡多智能體協同，完全不在企業基建規劃的優先清單內。

現階段需求低迷是發展週期問題，而非技術缺陷。區塊鏈智能體基礎設施更適合定位為面向未來智能體經濟的長期基建佈局，而非短期變現業務。

監管

零知識證明、隱私加密技術是構建可信 AI 的核心方案，但 AI 普及初期，企業落地隱私基建的主動需求極低。很難依靠企業自願推動規模化落地；行業需求大概率由監管標準催生，技術再配套合規要求落地。

歐盟 AI 法案等全球監管細則持續細化為賽道帶來利好。當數據溯源、數據安全形成硬性法律要求，區塊鏈的校驗能力會從可選功能，變為企業落地 AI 的合規必備項。

監管完善並不是行業約束，而是市場形成的催化劑。清晰法規降低行業不確定性，為區塊鏈 + AI 在機構市場打開穩定落地通道。

沒有標杆落地案例

多重結構性矛盾疊加衍生出最核心的阻礙：沒有具備說服力的大規模標杆案例證明商業價值。 傳統 AI 行業依靠 ChatGPT 形成增長飛輪，一款全民可見的爆款產品，吸引海量資本與人才持續迭代。

區塊鏈 + AI 賽道至今沒有同等量級的產品市場匹配案例。除早期社群熱度外，沒有項目滲透企業生產、大眾日常消費場景，無法獲得傳統機構資本的重視。缺少標杆落地案例，是勸退保守型機構資金、延緩行業普及的最大壁壘。

區塊鏈 + AI 是否具備長期價值？

拋開短期市場熱度，區塊鏈 + AI 尚未在主流 AI 產業鏈站穩腳跟，但這不代表二者結合沒有價值。

賽道遇冷的核心原因不是技術組合邏輯矛盾，而是每個細分賽道都存在成熟行業需求與技術供給方向的錯位。

傳統 AI 行業核心訴求十分明確：短期性能提升、成本優化、極致基建穩定性；而絕大多數區塊鏈 AI 方案聚焦數據所有權、運算透明、去中心化。

這些並非行業當下亟待解決的瓶頸，落地往往需要犧牲性能，投入產出比難以說服企業。

在人工智慧熱潮興起之前，電力基礎設施公司通常被歸類為成熟、增長緩慢的企業。數據中心驅動的電力需求激增改變了這一現狀，此後它們吸引了大量的市場關注。目前人們對區塊鏈人工智慧的冷漠可能也反映了類似的滯後效應，即在新範式出現之前，基礎設施的價值尚未完全顯現。

在這個過渡時期，重要的是該行業如何應對市場的實際需求。

前進的道路分為兩個方向：1）主動適配成熟 AI 產業鏈標準，補齊短期性能短板；2）堅持現有技術路線，持續佈局適配下一代 AI 大規模落地的遠期基礎設施。

區塊鏈 + AI 最終走向，取決於哪一條路線能匹配未來真實市場需求。