撰文：张烽
人工智能（AI）无疑是全球最炙手可热的科技风口，AI 技术正以前所未有的速度重塑各行各业。然而，在一片繁荣喧嚣的背后，一个残酷的现实却是绝大多数 AI 业务，尤其是初创公司，并未找到稳定、可持续的盈利路径。它们陷入了「叫好不叫座」的窘境，技术繁荣与商业亏损并存。
一、为何「赔本赚吆喝」？
AI 业务的盈利困境，并非源于技术本身的失败，而是其中心化的发展模式导致了结构性矛盾。具体而言，可归结为以下三大原因：
极致中心化：天价成本与寡头垄断。当前的主流 AI，尤其是大模型，是典型的「重资产」行业。其训练和推理过程需要消耗巨量的算力（GPU）、存储和电力。这导致了两极分化：一头是拥有雄厚资本的科技巨头（如 Google, Microsoft, OpenAI），能够负担数亿甚至数十亿美元的投入；另一头则是大量初创公司，不得不将绝大部分融资「上贡」给云服务商以获取算力，利润空间被极度挤压。这种模式形成了「算力寡头」，扼杀了创新活力。例如，即使是 OpenAI，在其发展早期也严重依赖微软的巨额投资和 Azure 云计算资源，才得以支撑 ChatGPT 的研发与运营。对于绝大多数玩家而言，高昂的固定成本使其难以实现规模盈利。
数据困境：质量壁垒与隐私风险。AI 的燃料是数据。中心化 AI 公司为了获取高质量、大规模的训练数据，通常面临两大难题。其一，数据获取成本高昂。无论是通过付费采集、数据标注，还是利用用户数据，都涉及巨大的资金和时间投入。其二，数据隐私与合规风险巨大。随着全球数据法规（如 GDPR、CCPA）的收紧，未经用户明确授权收集和使用数据的行为随时可能引发法律诉讼和巨额罚款。例如，多家知名科技公司都曾因数据使用问题面临天价罚单。这形成了一个悖论：没有数据无法发展 AI，但获取和使用数据又举步维艰。
价值分配失衡：贡献者与创造者被排除在收益之外。在当前的 AI 生态中，价值分配极不公平。AI 模型的训练依赖于无数用户产生的行为数据、创作者生产的内容（文本、图片、代码等），以及全球开发者贡献的开源代码。然而，这些核心贡献者却几乎无法从 AI 模型创造的巨额商业价值中获得任何回报。这不仅是伦理问题，更是一种不可持续的商业模式。它挫伤了数据贡献者和内容创作者的积极性，从长远来看，会侵蚀 AI 模型持续优化和创新的根基。一个典型的案例是，许多艺术家和作家指控 AI 公司使用他们的作品进行训练并牟利，却未给予任何补偿，这引发了广泛的争议和法律纠纷。
二、 盈利新范式
DeAI（Decentralized AI）并非一个单一技术，而是一种融合了区块链、密码学和分布式计算的新范式。它旨在通过去中心化的方式，重构 AI 的生产关系，从而有针对性地解决上述三大痛点，开辟盈利的可能。
DeAI 通过「众包」模式，将算力需求分散到全球范围内的闲置节点（个人电脑、数据中心等）。这类似于「Airbnb for GPU」，形成了一个全球性的、竞争性的算力市场，能显著降低算力成本。参与者通过贡献算力获得代币激励，实现了资源的优化配置。
DeAI 通过「联邦学习」和「同态加密」等技术，实现了「数据不动，模型动」。它无需将原始数据集中到一处，而是将模型分发到各数据源进行本地训练，只聚合加密后的参数更新。这从根本上保护了数据隐私，同时合法合规地利用了分散的数据价值。数据所有者可以自主决定是否提供数据并从中获利。
DeAI 通过「代币经济学」和「智能合约」，构建了一个透明、公平的价值分配体系。数据贡献者、算力提供者、模型开发者乃至模型使用者，都可以根据其贡献度，通过智能合约自动获得相应的代币奖励。这使得 AI 从一个由巨头控制的「黑箱」，转变为一个由社区共建、共治、共享的开放经济体。
三、 转型三层架构
将传统的中心化 AI 业务迁移至 DeAI 范式，需要在技术、业务和治理三个层面进行系统性重构。
（一）从集中式到分布式的技术重构
算力层依托于去中心化物理基础设施网络（DePIN）项目，如 Akash Network、Render Network 等，构建弹性的、低成本的分布式算力池，替代传统的中心化云服务。
数据层采用联邦学习作为核心训练框架，结合同态加密、安全多方计算等密码学技术，确保数据隐私和安全。建立基于区块链的数据市场，如 Ocean Protocol，让数据在确权和安全的前提下进行交易。
模型层将训练好的 AI 模型以「AI 智能合约」的形式部署在区块链上，使其变得透明、可验证、且无需许可即可调用。模型的每一次使用和产生的收益都能被精准记录和分配。
（二）从售卖服务到生态共建的业务重构
从 SaaS 到 DaaS（数据即服务）与 MaaS（模型即服务），企业不再仅仅是售卖 API 调用次数，而是作为生态的构建者，通过发行功能型代币或治理型代币，激励社区参与网络建设。收入来源从单一的服务费，扩展为生态价值增长带来的代币增值、交易手续费分红等。
因此，构建一个去中心化的任务平台，将数据标注、模型微调、特定场景应用开发等任务，以「赏金」形式发布，由全球社区成员承接并获取奖励，极大降低运营成本并激发创新活力。
（三）从公司制到DAO的治理重构
基于社区治理，通过持有治理代币，社区的参与者（贡献者、用户）有权对关键决策进行投票，例如模型参数的调整方向、国库资金的使用、新功能的开发优先级等。这实现了真正的「用户即所有者」。
基于开放和透明，将所有代码、模型（部分可开源）、交易记录和治理决策都上链，保证过程的公开透明，建立无需信任的协作关系，这本身就是一种强大的品牌资产和信任背书。
以传统物流数据平台向 DeAI 转型为例，传统物流数据平台的困境在于，它虽汇集了海运、陆运、仓储等各方数据，但参与者因担忧商业机密泄露而「不愿共享」，导致数据孤岛，平台价值有限。向 DeAI 转型的核心是在不暴露原始数据的前提下，释放数据价值并公平激励：
技术上构建可信计算网络。平台不再集中存储数据，而是转型为基于区块链的协调层。采用联邦学习等技术模式，让 AI 模型「空降」到各企业（如船公司、仓库）的本地服务器进行训练，只聚合加密后的参数更新，共同优化全局预测模型（如货船到港时间、仓库爆仓风险），实现「数据不动，价值动」。
业务上推行数据资产化与代币激励。发行平台实用型积分，物流企业通过贡献数据（模型参数）来「挖矿」获得积分奖励。而下游客户（如货主）支付代币来查询高精度的「预测结果」（例如：某航线未来一周的准点率），而非购买原始数据。收益通过智能合约自动分配给数据贡献方。
治理上构建产业DAO，关键决策（如新功能开发、费率调整）由代币持有者（即核心参与者）共同投票治理，将平台从私营公司主导转变为产业共同体。
平台从一个试图抽取数据中介费的中心化机构，蜕变为整个物流产业链共建、共治、共享的神经系统，通过解决信任问题，极大提升了行业协同效率和抗风险能力。
四、 合规与安全
尽管 DeAI 前景广阔，但其发展仍处于早期阶段，面临着一系列不容忽视的挑战。
合规性与法律不确定性。数据法规方面，即使数据不移动，联邦学习等模式在处理个人数据时，仍需严格遵守 GDPR 等法规中关于「目的限制」、「数据最小化」和用户权利（如被遗忘权）的要求。项目方必须设计合规的数据授权与退出机制。
证券法规方面，项目发行的代币极易被各国监管机构（如美国 SEC）认定为证券，从而面临严格的监管审查。如何在设计代币经济模型时规避法律风险，是项目生存的关键。
内容责任方面，如果一个部署在链上的 DeAI 模型产生了有害、偏见或非法的内容，责任主体是谁？是模型开发者、算力提供者还是治理代币持有者？这为现有的法律体系带来了新的课题。
安全与性能挑战方面，模型安全即部署在公开链上的模型可能面临新型的攻击向量，如针对智能合约的漏洞利用，或通过投毒数据对联邦学习系统进行恶意破坏。
性能瓶颈即区块链本身的交易速度（TPS）和存储限制，可能无法支持高频率、低延迟的大模型推理请求。这需要 Layer 2 扩容方案和链下计算的有效结合。
协作效率即分布式协作虽然公平，但决策和执行效率可能低于中心化公司。如何在效率与公平之间取得平衡，是 DAO 治理需要持续探索的艺术。
DeAI 作为一次生产关系的革命，通过分布式技术、代币经济和社区治理，有望打破巨头的垄断，释放全球范围内闲置的算力和数据价值，构建一个更加公平、可持续且可能更具盈利性的 AI 新生态。
五、当前探索方向
当前 AI 工具的发展，距离实现理想的去中心化人工智能还有相当长的一段路要走。目前我们仍处于以中心化服务为主导的早期阶段，但一些探索已经指明了未来的方向。
当前的探索与未来挑战。虽然理想的 DeAI 尚未实现，但业界已经在进行有价值的尝试，这有助于我们看清未来的路径与需要翻越的障碍。
如多代理系统的协作雏形。一些项目正在探索构建 AI 代理相互协作、共同进化的环境。例如，AMMO 项目旨在创建一个「人与 AI 的共生网络」，其设计的多代理框架和 RL Gyms 模拟环境，让 AI 代理能在复杂场景中学习协作与竞争。这可以看作是构建 DeAI 世界底层交互规则的一种尝试。
又如初步的激励模型尝试。在 DeAI 的构想中，贡献数据的用户和提供算力的节点都应获得公平的回报。一些项目正尝试通过基于加密的激励系统，将价值直接重新分配给生态的贡献者。当然，这套经济模型如何能大规模、稳定且公平地运转，仍是巨大挑战。
再如迈向更自主的AI：Deep Research 类产品展示了 AI 在特定任务（如信息检索、分析）上的强大自主性。它们能自主规划、执行多步操作并迭代优化结果，这种任务自动化能力是未来 DeAI 网络中 AI 代理独立工作的基础。
对于在红海中挣扎的 AI 从业者而言，与其在旧范式内卷，不如勇敢地拥抱 DeAI 这片新蓝海。这不仅是技术路线的转换，更是一次商业哲学的重塑——从「榨取」到「激励」，从「封闭」到「开放」，从「垄断利润」到「普惠增长」。
