投資風口還是泡沫？AI + Web3 賽道還有什麼價值？

「AI + Web3」 敘事，是真正的技術融合，還是又一次概念包裝？本文源自 TinTinLand 所著文章，由 Foresight News 整理及撰稿。 （前情提要：AI 賽道能否擺脫炒作污名？盤點三個擁抱加密貨幣的 AI Agent 項目 ） （背景補充：灰度報明牌：2025 首季最看好這 20 大加密貨幣，重點關注 DeFi、AI Agents、Solana 生態 ） 進入 2025 年，「AI + Web3」 敘事熱度仍然未減。根據 Grayscale 2025 年 5 月釋出的最新報告，AI Crypto 賽道的整體市值已達到 210 億美元，相比 2023 年第一季度的 45 億美元實現了近五倍增長。 這場浪潮背後，是真正的技術融合，還是又一次概念包裝？ 從宏觀來看，傳統 AI 生態已經顯露出越來越多結構性問題：模型訓練門檻高、資料隱私無保障、算力高度壟斷、推理過程黑箱化、激勵機制失衡…… 而這些痛點，恰恰與 Web3 的原生優勢高度契合：去中心化、開放市場機制、鏈上可驗證、使用者資料主權等。 AI + Web3 的結合並非只是疊加兩個熱門詞，而是一次結構性的技術互補。讓我們從當前 AI 面臨的幾大核心痛點出發，深入拆解那些在切實解決問題的 Web3 專案，帶你看清 AI Crypto 賽道的價值與方向。 AI 服務訪問門檻過高、成本昂貴 當前 AI 服務通常成本高昂，訓練資源獲取困難，對於中小企業和個人開發者而言門檻極高；此外，這些服務常常技術複雜，需要專業背景才能上手。AI 服務市場高度集中，使用者缺乏多樣選擇，呼叫成本不透明，預算難以預測，甚至面臨算力壟斷的問題。 Web3 的解決方案是通過去中心化的方式打破平臺壁壘，構建開放的 GPU 市場和模型服務網路，支援靈活排程閒置資源，並通過鏈上任務排程和透明的經濟機制，激勵更多參與者貢獻算力與模型，降低整體成本並提升服務的可訪問性。 代表專案 Render Network：專注去中心化 GPU 渲染，也支援 AI 推理與訓練，採用 「按使用付費」 模式，幫助開發者低成本接入影象生成和 AI 服務。 Gensyn：構建去中心化的深度學習訓練網路，採用 Proof-of-Compute 機制驗證訓練結果，推動 AI 訓練從平臺集中制轉向開放協作。 Akash Network：基於區塊鏈技術的去中心化雲端計算平臺，開發者可按需租用 GPU 資源，用於部署和執行 AI 應用，是 「雲端計算的去中心化版本」。 0G Labs：去中心化 AI 原生 Layer‑1，通過創新的儲存和計算分離架構，極大降低了鏈上執行 AI 模型的成本和複雜度。 資料貢獻者缺乏激勵 高品質資料是 AI 模型的核心燃料，但傳統模式下，資料貢獻者很難獲得回報。資料來源不透明、重複性強、使用方式缺乏回饋，使得資料生態長期低效運轉。 Web3 提供了全新的解決正規化：通過加密簽名、鏈上確權與可組合的經濟機制，讓資料貢獻者、模型開發者和使用者之間形成清晰的協作和激勵閉環。 代表專案 OpenLedger：創新提出 「Payable AI」 概念，將資料貢獻、模型呼叫與經濟激勵結合，推動形成 AI 鏈上協作的資料經濟網路。 Bittensor：採用以 TAO 獎勵、Yuma 共識機制、子網精準激勵、知識協作等為核心的一套完整激勵體系，將資料貢獻與模型執行成果直接掛鉤，提升整體價值貢獻。 Grass：AI 資料網路，通過外掛收集使用者瀏覽行為資料，貢獻到鏈上搜索引擎訓練中，使用者按資料品質獲得獎勵，打造社群驅動的資料共享機制。 模型黑箱化、AI 推理無法驗證 當前主流 AI 模型的推理過程高度黑箱，使用者無法驗證結果的正確性與可信度，尤其在金融、醫療等高風險領域更是問題突出。此外，模型可能遭受篡改、投毒等攻擊，難以溯源或審計。 為此，Web3 專案正嘗試引入零知識證明（ZK）、全同態加密（FHE）與可信執行環境（TEE），使模型推理過程具備可驗證性、可審計性，提升 AI 系統的可解釋性與信任基礎。 代表專案 Sentient：通過創新的模型指紋識別技術確保呼叫行為可追蹤，提升模型使用透明度和防篡改能力。 Modulus Labs：利用 ZK 技術對模型推理過程進行加密驗證，實現 「可信 AI」 新正規化。 Giza：利用零知識密碼學將機器學習推理計算上鏈，從而提高 AI 模型部署的透明度和信任度。 隱私和安全風險 AI 訓練過程常涉及大量敏感資料，面臨隱私洩露、模型被濫用或攻擊、缺乏決策透明度等風險。同時，資料和模型的所有權界定模糊，進一步加劇安全隱患。 藉助區塊鏈的不可篡改性、加密計算技術（如 ZK、FHE）、可信執行環境等手段，保障 AI 系統的資料與模型在訓練、儲存和呼叫全流程中的安全性與可控性。 代表專案 Phala Network: 提供可信執行環境（TEE）支援，將關鍵計算封裝於安全硬體中，防止資料洩露與模型被盜用。 ZAMA: 專注於全同態加密（FHE）技術，使模型訓練和推理可以在加密狀態下進行，實現 「用不到明文就能計算」。 Mind Network: 構建支援隱私保護的去中心化 AI 資料共享與推理平臺，通過前端加密技術（如同態加密、零知識證明等）實現資料安全共享與隱私計算。 Vana：一個 AI 身份生成應用程式，旨在讓使用者重新獲得對自身資料的所有權和控制權，確保資料的隱私性和安全性。 AI 模型版權和智慧財產權糾紛 當前 AI 模型訓練大量使用網際網路資料，但往往未經授權使用受版權保護的內容，導致法律糾紛頻發。同時，AI 生成內容的版權歸屬不明確，原創者、模型開發者和使用者之間的權益分配缺乏透明機制。模型被惡意複製、盜用的情況也是屢見不鮮，智慧財產權保護困難。 Web3 通過鏈上確權機制，將模型的建立時間、訓練資料來源、貢獻者資訊等進行存證，並使用 NFT、智慧合約等工具標識模型或內容的版權歸屬。 代表專案 Story Protocol：...