作者：Hedy Bi，OKG Research
香港Web3 嘉年華告一段落，然而Web3 自由的脈動仍在跳動，並持續滲透到其他產業。和上一輪週期相比，本輪牛市開啟的邏輯是由「原生創新敘事」轉變成「主流認可，資金驅動」的模式。筆者所觀察到的Web3 發展階段也從一個「封閉且小眾的絕對自由」，演變到了「真正包容下的相對自由」階段。
在這樣的邏輯下再不跳出盒子去分析，守株待兔原生創新敘事已無法適應Web3 當下的發展。自從整個Web3 擁抱合規開始，Web3 已經在港府的不斷推動下，重新聚焦金融領域。主流金融機構也透過RWA、現貨ETF 加速參與Web3。
這次大會，除了主流金融機構進入Web3，我們也看到了一個可以連接Web2 和Web3 的機會—— DePIN 賽道。尤其是AI 大模型發展的推動，讓DePIN 中的子賽道- 算力的重新分配再次成為熱門關注。
來源：OKG Research
算力為誘餌，但AI 大模型訓練並不是DePIN 最好落地場景
「區塊鏈是透過科技建立信任，而AI 又是一個極度需要信任的產業。」Dragonfly Capital 的管理合夥人Haseed Qureshi 在大會如是說。
DePIN 並不是一個新賽道，早在幾年前就已經提出。正是AI 大模型爆發，業界對於算力和數據進行了大量的討論，據測算，大模型計算的成本每年增加31 倍。全球GPU 短缺，英偉達這樣的公司處於目前市場需求的食物鏈頂端具有極大的定價權。壟斷還是去中心化，有關於成本之辯成了Web3 DePIN 賽道再次熱議的原因。
雖然AI 大模型訓練是起因，但羅馬非一日建成，AI 大模型訓練並不是目前DePIN 最好的落地場景。 AI 大模型生產對算力的要求主要圍繞在2 個面向：推理和訓練。在訓練環節，透過投餵大量的數據，訓練出一個複雜的神經網路模型。在推理環節，利用訓練好的模型，使用大量資料推理出各種結論。
來源：NVIDIA
去中心化與算力的結合，難度係數從訓練到微調訓練再到推理是逐層遞減的。在DePIN 中，可以看到行業上更多的項目是集中在推理而非訓練的。大部分企業的AI 訓練採用的英偉達GPU 叢集主要原因是其擁有自身強悍的平行運算能力以及記憶體頻寬。相對於推理環節，對於平行運算能力和頻寬的要求降低很多。而大模型訓練對於穩定性更為重視，因為一旦訓練中斷，是需要重新進行訓練的。若在以太坊上建構一個去中心化算力應用供GPT 使用，僅單一矩陣乘法運算將消耗Gas 費高達100 億美元並且需要1 個月之久。
此外，筆者分析了此次大會中比較熱門的幾個項目現狀，呈現供給端超過需求端的一個態勢，即分佈在全球的算力供給超過AI 模型訓練或者推理任務的AI 開發者需求。並不是說需求不存在，OpenAI 的創辦人Sam Altman 提出了要募集7 兆美金，建造一個超過目前台積電10 倍規模的先進晶片廠和用於晶片的生產和模型訓練。史丹佛大學研究也表明，不論哪個語言模型，當訓練參數規模超過那個規模的臨界值後，其表現（例如準確性）就急劇提升。這與「大力出奇蹟」的規律截然相反，也意味著現實情況下，去中心化算力的設想還有很多難題去解決。
DePIN 賽道的「歷史溯源」可追溯至「共享經濟」
DePIN 本身概念不難理解，甚至可以追溯到Web2，回顧網路產業，至少有15 年時間，Web2 玩家沉浸於將個人的有形資產聚合起來，從而創造出「共享經濟」之中。如果是將無形資產（例如閒置的伺服器等）直接透過Peer to peer（P2P）的形式或Peer to business（P2B）的形式重新分配給需求方，去中心化技術區塊鏈就可以透過激勵機制來進行生產關係的一個最佳化。這就是DePIN 要做的事。
也因此，DePIN 賽道下面，大家在供給端的熱情是高漲的。其實Web2 已經為「重新分配」做了很久的積淀，只是這次，直接去掉中介。目前已有近千個DePIN 項目，尤其是Solana 生態，根據Messari 統計，Solana 生態在DePIN 基礎設施處於領先地位，這是由於Solana 公鏈具有較高的基礎設施整合性和性能。在區域分佈上，預計多個前10 名的DePIN 將在2024 年至2025 年來自亞洲。
來源：Messari
Web3 和AI 有非常多的交叉點，算力作為未來數位世界的通用貨幣，是人們最先關注的。但去中心化算力這個最合理的落地場景卻不是最容易落地的。
在Web3 與AI 的交叉點上，除了從技術上攻堅克難不斷突破這樣的難題外，還有其他很多分支例如AI 代理的賦予創作者所有權以及小型AI 模型算力場景值得探索，會更具有落地性。商業模式的成功和技術的突破總是會有所平衡， DePIN 正在加速這一進程，DePIN 的「打獵之旅」也會滿載而歸。
APP 
