随着生成式 AI、大语言模型(LLM)和 AI Agent 快速发展,人工智能产业正在进入基础设施竞争阶段。未来 AI 生态不仅需要更强大的模型,也需要覆盖数据、训练、算力、推理和应用的完整技术体系。目前,OpenAI、Google、Anthropic 等中心化企业掌握大量数据和计算资源,而去中心化 AI 项目希望通过区块链和开放网络,让更多参与者能够贡献资源并获得价值回报。
从 Web3 和数字资产视角来看,DeAI(Decentralized AI)的核心并不是简单复制传统 AI 服务,而是重新设计 AI 生产关系。不同项目分别探索 AI 产业链中的不同环节:有的关注模型训练,有的提供计算资源,有的推动智能代理应用。FLock 与 Bittensor、Akash、Fetch.ai 的竞争,本质上反映了未来去中心化 AI 基础设施如何分层发展的方向。
FLock 和 Bittensor 都属于去中心化 AI 领域的重要项目,但两者解决的问题并不完全相同。
Bittensor 的核心理念,是建立一个开放式机器学习网络,让不同 AI 模型通过竞争机制不断提升能力。Bittensor 通过 Subnet 架构,让开发者可以创建不同类型的 AI 网络,并根据模型表现获得激励。Bittensor 更关注“如何让 AI 模型能力形成开放市场”。在 Bittensor 网络中,不同参与者可以提供模型、数据处理能力或机器学习服务,系统通过评价机制判断贡献价值,并利用 TAO 代币进行激励。这种模式类似一个 AI 能力市场,让不同模型之间竞争,并通过经济机制推动智能水平提升。
而 FLock 更关注“如何让 AI 模型训练过程更加开放”。FLock 的核心技术是联邦学习(Federated Learning)。它希望解决的是传统 AI 训练中的数据集中问题,让不同机构或个人能够在不共享原始数据的情况下共同训练模型。
两者的区别可以理解为:
Bittensor 更偏向模型网络和智能市场;FLock 更偏向模型训练和数据协作基础设施。
例如,一个金融 AI 模型:
在 Bittensor 体系中,重点可能是不同模型之间竞争谁能够提供更好的预测能力;
在 FLock 体系中,重点则是如何让不同金融机构利用自己的私有数据共同优化模型。
因此,两者虽然都属于 DeAI,但处于不同技术层。从长期发展来看,两种模式也可能形成互补关系。去中心化 AI 未来可能既需要 FLock 这样的训练基础设施,也需要 Bittensor 这样的模型竞争网络。
如果说 FLock 和 Bittensor 都关注 AI 模型,那么 Akash Network 关注的则是 AI 发展的底层计算资源。
AI 模型训练和运行离不开 GPU 算力。随着大模型规模不断扩大,计算资源成为 AI 行业最重要的基础设施之一。目前,大量 GPU 资源集中在少数云计算企业手中,例如 AWS、Google Cloud 和 Microsoft Azure。
Akash 希望通过去中心化云计算市场,将全球闲置计算资源连接起来,为 AI 开发者提供更加开放的算力市场。
因此,Akash 解决的问题是:“AI 在哪里运行?”
而 FLock 解决的问题更接近:“AI 如何被训练和创造?”
两者位于不同层级。一个完整 AI 系统通常包含:
计算层:提供 GPU 和服务器资源;
训练层:优化模型能力;
推理层:向用户提供 AI 服务;
应用层:解决具体业务需求。
Akash 主要覆盖计算层,而 FLock 更偏向训练层。例如,一个开发者想创建行业 AI 模型:可以使用 Akash 提供 GPU 资源;利用 FLock 的训练机制优化模型;通过 AI Marketplace 或其他平台提供服务。
因此,未来 DeAI 生态并不一定是单个项目竞争,而可能形成类似互联网基础设施的多层协作结构。
FLock、Bittensor 和 Akash 主要关注 AI 基础设施层,而 Fetch.ai 则更偏向 AI Agent(智能体)应用层。Fetch.ai 的核心方向,是构建能够自主执行任务、进行数据交互和完成复杂操作的 AI Agent 网络,让人工智能从被动响应工具转变为能够主动行动的数字化主体。
简单来看,Fetch.ai 关注的是“AI 如何自主完成任务”,而 FLock 更关注“AI 模型如何被训练、优化并形成价值”。两者处于不同技术层级,并不存在完全直接的竞争关系。一个 AI Agent 想要运行,需要具备语言理解、任务规划、数据分析以及模型调用等能力,而这些能力都依赖底层 AI 模型基础设施。
例如,一个金融 AI Agent 可能需要分析市场数据、调用预测模型、执行交易策略,并与其他 Agent 协作完成任务。在这一过程中,Agent 本身并不一定负责训练基础模型,而是需要调用稳定、高质量的模型服务。因此,FLock 所探索的去中心化训练和模型经济体系,可以成为未来 AI Agent 生态的重要基础。
从整个 AI 技术栈来看,未来可能形成多层协作结构:Akash 提供计算资源,FLock 提供模型训练和资产化机制,Bittensor 连接不同 AI 模型能力,而 Fetch.ai 等项目则负责构建面向用户的 Agent 应用。
| 项目 | 核心定位 | 主要解决的问题 | 技术重点 | AI 生态位置 | 代表性机制 |
|---|---|---|---|---|---|
| FLock | 去中心化 AI 训练与模型经济平台 | 如何在保护数据隐私的情况下共同训练 AI 模型,并让模型产生经济价值 | 联邦学习(Federated Learning)、AI 模型资产化、模型经济 | AI 训练层、模型资产层 | AI Arena、FOMO(FLock Open Model Offering)、Real Model Assets(RMA) |
| Bittensor | 去中心化 AI 模型网络 | 如何让不同 AI 模型通过开放竞争提升能力,并形成 AI 市场 | Subnet 网络、模型评价机制、激励分配 | AI 模型网络层 | Subnet、TAO 激励机制、模型贡献评价 |
| Akash Network | 去中心化云计算与 GPU 资源市场 | 如何提供更加开放的计算资源,降低 AI 训练和运行成本 | 分布式计算、GPU 市场、云资源交易 | AI 算力层 | 去中心化云市场、GPU 资源租赁 |
| Fetch.ai | AI Agent 应用基础设施 | 如何让 AI Agent 自主执行任务、交互和完成商业活动 | Agent 网络、自动化任务执行、智能协作 | AI 应用层 | AI Agent、Agent Economy |
去中心化 AI 并不是单一技术,而是一套覆盖 AI 生命周期的基础设施体系。一个完整 AI 系统通常包含训练(Training)、推理(Inference)和算力(Compute)三个核心环节。
训练决定模型能力,是 AI 发展的基础。传统 AI 训练通常依赖大型企业的数据中心和集中式数据资源,而 FLock 通过联邦学习(Federated Learning)探索新的训练方式,让不同参与者能够在不共享原始数据的情况下共同优化模型。
推理决定模型如何被实际使用。当模型训练完成后,需要通过 API 或应用接口向用户提供服务。未来去中心化 AI 需要更加开放的推理网络,让用户能够根据需求选择不同模型,而不是完全依赖少数大型平台。
算力则是整个 AI 生态的底层资源。无论模型训练还是推理运行,都需要大量 GPU 计算能力。目前 GPU 资源主要集中在大型云计算企业手中,而 Akash 等去中心化云计算项目希望通过开放市场连接全球计算资源,为 AI 提供更加灵活的基础设施。
因此,FLock、Bittensor、Akash 等项目实际上分别位于 AI 产业链不同位置。未来 DeAI 的发展并不是简单的单一项目竞争,而可能形成类似互联网基础设施的多层协作体系。
联邦学习(Federated Learning)是 FLock 区别于许多 AI 基础设施项目的重要技术方向。传统 AI 训练通常需要将大量数据集中到统一服务器中,再进行模型优化,这种方式虽然效率较高,但也带来了隐私、安全以及数据控制权等问题。联邦学习改变了这一逻辑。数据不需要离开原本存储环境,模型可以进入不同数据源进行本地训练,随后网络通过聚合模型更新结果提升整体性能。这种方式特别适合医疗、金融、企业数据库等具有高隐私要求的场景。
例如,多家金融机构希望共同训练风险管理模型,但由于客户数据属于敏感信息,无法直接共享。通过联邦学习,每家机构可以利用自身数据优化模型,再提交训练结果,而不是暴露完整数据库。
FLock 在此基础上加入区块链激励机制,使训练节点、验证者和数据贡献者能够获得相应价值反馈。而 Bittensor 则更加关注模型能力之间的竞争,通过 Subnet 机制让不同 AI 模型参与市场化竞争。
两者代表了去中心化 AI 的不同方向:FLock 更强调“如何共同创造模型”,Bittensor 更强调“如何发现优秀模型”。未来,这两种模式可能结合,共同构成开放式 AI 模型网络。
AI Agent 被认为是下一阶段 AI 应用的重要方向,但 Agent 的发展依赖更加开放的模型基础设施。
目前,大量 AI Agent 仍依赖中心化大模型 API,例如调用 GPT、Claude 或其他商业模型完成任务。这种方式降低了开发门槛,但也存在一定限制,例如模型供应商拥有较强控制权,开发者容易受到 API 价格、访问权限和服务策略变化影响。
同时,通用大模型并不能满足所有行业需求。金融、医疗、法律、科研等领域通常需要更加专业的小模型,而这些模型往往需要结合行业数据进行训练。
去中心化模型基础设施可以提供另一种路径。开发者可以创建专业模型,通过开放网络获得用户需求;企业可以根据自身业务选择合适模型;数据和算力贡献者也能够参与价值分配。
FLock 通过模型训练和模型资产化机制,希望推动 AI 模型从单纯的软件服务转变为具有经济价值的生态资源。这种模式能够帮助 AI Agent 获得更多专业能力,也降低整个生态对单一模型供应商的依赖。
去中心化 AI 最大的挑战之一,是如何从技术概念发展为长期可持续的商业生态。单纯依靠代币激励无法保证项目长期发展,真正有效的经济模型需要建立在真实需求和实际使用基础上。
目前 DeAI 生态主要存在几种价值模式。算力网络通过提供 GPU 资源获得收入,模型平台通过 API 调用和授权服务产生收益,数据贡献者通过帮助模型优化获得价值反馈,而 AI Agent 则通过执行任务创造商业价值。
FLock 更关注模型经济方向。一个 AI 模型如果能够持续被用户调用,就能够形成真实收入,并进一步反馈给模型开发者、训练参与者和生态贡献者。
这也是 Real Model Assets(RMA)概念的重要意义。相比传统 AI 模型只是企业内部的软件资产,RMA 希望让模型具备更加透明的所有权、使用价值和收益能力,使 AI 模型成为可以长期发展的数字资产。
未来,成功的 DeAI 项目可能不会依赖单一收入来源,而是形成“算力提供 → 模型训练 → 服务调用 → 收益反馈 → 生态扩展”的循环。
未来 AI 产业竞争不仅是模型能力竞争,也是基础设施竞争。随着 AI Agent、机器人、企业自动化等应用快速发展,AI 生态需要更加开放的训练体系、计算资源和模型市场。
从当前发展方向来看,FLock、Bittensor、Akash 和 Fetch.ai 分别代表不同路径。FLock 聚焦去中心化训练和 AI 模型经济,Bittensor 探索开放模型市场,Akash 解决计算资源分配问题,Fetch.ai 推动 AI Agent 应用落地。
这些方向并不是相互排斥,而可能逐渐形成完整技术栈。未来,一个 AI 应用可能同时依赖多个基础设施:通过去中心化算力运行,通过开放模型网络获取智能能力,再通过 Agent 系统完成具体任务。
如果 DeAI 能够解决效率、安全和商业模式问题,人工智能基础设施可能从当前的中心化模式,逐渐向更加开放、多方参与的网络结构发展。
FLock 与 Bittensor、Akash、Fetch.ai 都是去中心化 AI 领域的重要探索,但它们关注的问题并不相同。FLock 重点解决 AI 模型训练、数据隐私和模型资产化问题;Bittensor 关注 AI 模型能力市场;Akash 提供去中心化计算资源;Fetch.ai 则推动 AI Agent 应用生态。
未来 AI 产业的发展,不仅取决于谁能够创造更强大的模型,也取决于谁能够建立更加开放、高效和可持续的基础设施体系。
FLock 所探索的方向,本质是在重新思考 AI 时代的数据、模型和算力价值如何分配。当 AI 成为数字经济的重要生产力时,去中心化训练、模型资产化以及开放式 AI 网络可能成为传统 AI 体系之外的重要发展路径。
* 投资有风险,入市须谨慎。本文不作为 Gate 提供的投资理财建议或其他任何类型的建议。
* 在未提及 Gate 的情况下,复制、传播或抄袭本文将违反《版权法》,Gate 有权追究其法律责任。





