Day 75
Day 75：去中心化算力 — AI 的供给侧革命
深入去中心化 GPU 算力市场：Bittensor 子网架构、Render/Akash/io.net 四大协议对比、供需经济与 Token 价值捕获
2025-03-16
Web3AI去中心化算力BittensorAkashRenderDay75Week11
Day 75：去中心化算力 — AI 的供给侧革命
日期：2026-03-17 主题：去中心化 GPU/算力市场、Bittensor 子网架构、Render/Akash/io.net 对比、供需经济、PM 产品机会 产出：学习笔记 + 面试题答案
今日目标
| 类型 | 内容 |
|---|---|
| 学习 | 去中心化算力的技术架构和经济模型 |
| 分析 | 四大算力协议对比、供需动态、Token 价值捕获 |
| 产出 | 面试题答案：去中心化算力能否挑战 AWS/GCP？ |
一、为什么 AI 需要去中心化算力？
1.1 中心化算力的问题
全球 AI 算力市场（2026）：
├── AWS: ~33% 市场份额
├── Azure: ~23%
├── GCP: ~11%
└── 其他: ~33%（主要也是大厂）
→ 三家公司控制了 AI 时代的"水电煤"
| 问题 | 说明 |
|---|---|
| 供不应求 | NVIDIA H100 交付周期 6-12 个月，中小团队排不上 |
| 价格垄断 | 云厂商 GPU 实例定价不透明，利润率 60%+ |
| 审查风险 | 云厂商可以拒绝服务特定用户/应用（已有先例） |
| 地理限制 | 芯片出口管制导致部分地区无法获得算力 |
| 闲置浪费 | 全球消费级 GPU 利用率 <5%，大量算力闲置 |
1.2 去中心化算力的价值主张
供给侧：整合全球闲置 GPU（游戏玩家、矿工、数据中心冗余）
需求侧：AI 开发者/Agent 按需购买廉价算力
价格：比 AWS 便宜 50-90%
二、四大协议深度对比
2.1 总览
| 项目 | Token | 市值(2026.03) | 定位 | 供给节点 |
|---|---|---|---|---|
| Bittensor | TAO | ~$3.4B | 去中心化 AI 网络（ML 训练+推理） | ~10K 矿工 |
| Render | RNDR | ~$2.5B | GPU 渲染 → AI 推理 | ~6K 节点 |
| Akash | AKT | ~$800M | 去中心化云市场（通用计算） | ~400 提供者 |
| io.net | IO | ~$300M | GPU 聚合网络（低延迟推理） | ~30K GPU |
2.2 Bittensor（TAO）— 最独特的架构
核心理念：不只是卖算力，而是构建"去中心化 AI 网络"。
子网（Subnet）架构：
Bittensor 网络
├── Subnet 1: 文本生成（LLM 推理）
├── Subnet 2: 机器翻译
├── Subnet 3: 数据抓取
├── Subnet 4: 图像生成
├── Subnet 8: 时间序列预测
├── ...
└── Subnet 52+: 开放注册
每个子网 = 一个特定 AI 任务的竞争市场
矿工提交 AI 推理结果 → 验证者评分 → TAO 奖励
经济模型：
每日排放：7200 TAO → 2025.12 减半后 3600 TAO
分配方式：
└── 按子网权重分配
└── 子网内按矿工表现分配
验证者质押 TAO → 选择投资哪些子网
→ 市场机制决定哪些 AI 能力最有价值
PM 评估：
| 优势 | 劣势 |
|---|---|
| 创新架构，不只是算力市场 | 复杂度高，普通用户难理解 |
| 子网可扩展到任何 AI 任务 | 多数子网质量低/无真实需求 |
| 减半叙事（类比 BTC） | 排放驱动 > 收入驱动 |
| 开发者社区活跃 | Token 价格波动剧烈 |
2.3 Render（RNDR）— 从渲染到 AI
演进路径：
2017: GPU 渲染市场（3D/影视）
2023: 扩展到 AI/ML 推理
2024: 迁移到 Solana（从 Ethereum）
2025-2026: AI 推理成为主要增长引擎
双边市场：
供给侧（Node Operators） 需求侧（Creators/AI Developers）
├── 注册 GPU 节点 ├── 提交渲染/推理任务
├── 设定价格和可用时间 ├── 选择节点（价格/性能/延迟）
├── 执行任务 → 赚取 RNDR └── 支付 RNDR
└── 质量越高 → 获得越多任务
PM 评估：
| 优势 | 劣势 |
|---|---|
| 渲染业务有真实收入（影视/建筑） | AI 推理业务仍早期 |
| Apple/OTOY 生态整合 | 与 AWS 竞争 AI 推理缺乏优势 |
| Solana 高吞吐支撑微支付 | RNDR Token 效用主要是支付 |
2.4 Akash（AKT）— 去中心化 AWS
定位：通用去中心化云市场，不限于 GPU。
核心特性：
Akash Supercloud
├── CPU 计算（容器部署）
├── GPU 计算（AI 推理/训练）
├── 存储（持久化卷）
└── 网络（负载均衡）
定价方式：反向拍卖
用户提交需求 → 提供者竞标 → 最低价者获得任务
价格对比：
| 资源 | AWS | Akash | 节省 |
|---|---|---|---|
| A100 80GB /hr | $4.10 | $1.20 | 71% |
| CPU (8核 16G) /月 | $140 | $15 | 89% |
| 存储 1TB /月 | $23 | $5 | 78% |
PM 评估：
| 优势 | 劣势 |
|---|---|
| 价格极具竞争力 | 供给不稳定（节点可能下线） |
| 通用计算（不只是 GPU） | 企业级 SLA 难保证 |
| Cosmos 生态互操作 | 节点数偏少（~400） |
| 开源 + 无许可 | 开发者体验不如 AWS |
2.5 io.net（IO）— GPU 聚合网络
定位：整合全球分散 GPU 形成虚拟超算集群。
核心创新：
物理 GPU 分布在全球各地
→ io.net 通过网络协议聚合
→ 对外呈现为统一的 GPU 集群
→ 支持分布式 ML 训练和推理
供给来源：
- 独立矿工（消费级 GPU）
- 小型数据中心
- Render/Filecoin 节点复用（闲时出租）
数据（2026.03）：
- 30K+ GPU 在线
- 支持 NVIDIA A100、H100、RTX 4090
- 推理价格约为 AWS 的 1/3
PM 评估：
| 优势 | 劣势 |
|---|---|
| GPU 数量最多 | 实际利用率较低 |
| 与 Render/Filecoin 互补 | 分布式训练延迟问题 |
| 价格激进 | Token 价格从高点跌 >70% |
三、去中心化算力的经济学
3.1 供需动态
AI 算力需求增长：每年 ~4x（训练规模指数增长）
中心化供给增长：每年 ~1.5x（芯片产能受限）
→ 缺口持续扩大 → 去中心化算力的机会窗口
但：
去中心化算力主要覆盖推理（Inference），不是训练（Training）
训练需要高带宽互联（NVLink/InfiniBand），分布式节点做不到
推理可以单 GPU 独立完成 → 去中心化可行
3.2 Token 价值捕获对比
| 项目 | Token 用途 | 价值捕获方式 | 飞轮效应 |
|---|---|---|---|
| TAO | 质押 + 子网权重投票 | 矿工竞争产生 AI 智能 | 越多质押 → 越安全 → 越多需求 |
| RNDR | 支付 + 燃烧 | 使用=消耗 Token | 越多任务 → 越多消耗 → 越稀缺 |
| AKT | 支付 + 质押 + 治理 | 交易手续费 + 通胀 | 越便宜 → 越多用户 → 越多提供者 |
| IO | 支付 + 质押 | 使用费 + 质押奖励 | 越多 GPU → 越低价格 → 越多需求 |
3.3 可持续性分析
关键问题：协议收入能否覆盖 Token 排放成本？
Bittensor:
年排放：~1.3M TAO × $400 ≈ $520M
年收入：难以准确估算（子网竞争是内部循环）
→ 高度依赖 Token 价格
Akash:
年排放：相对保守
年收入：~$1-2M 的真实计算费用
→ 收入 << 排放（和所有早期去中心化网络一样）
→ 没有一个去中心化算力项目实现了经济自给
→ 全部依赖 Token 升值预期来维持供给侧参与
四、去中心化 vs 中心化：务实分析
4.1 去中心化算力真正擅长的
| 场景 | 为什么去中心化更好 |
|---|---|
| 抗审查推理 | 不怕被云厂商下线（隐私/争议性 AI） |
| 价格敏感的推理 | 小团队/个人开发者省 70%+ |
| 闲置 GPU 变现 | 矿工/游戏玩家赚额外收入 |
| 地理受限地区 | 绕过芯片出口管制 |
| AI Agent 基础设施 | Agent 需要无许可的算力访问（不能被 AWS 封号） |
4.2 去中心化算力做不到的
| 场景 | 为什么不行 |
|---|---|
| 大规模 LLM 训练 | 需要高带宽互联，分布式节点延迟太高 |
| 企业级 SLA | 节点可能随时下线，可用性无保证 |
| 数据合规 | 数据在未知节点上处理，GDPR 等合规困难 |
| 低延迟推理 | 网络延迟 > 本地/云延迟 |
4.3 真相
去中心化算力 ≠ 替代 AWS
去中心化算力 = AWS 的补充（服务 AWS 不愿/不能服务的市场）
最大目标市场：
1. AI Agent 的无许可算力层（Day 73 提到 Agent 需要自主运行环境）
2. 隐私推理（不想把数据交给大厂）
3. 成本敏感的中小开发者
五、与 AI Agent 的关系
5.1 Agent 为什么需要去中心化算力？
中心化算力的问题（Agent 视角）：
├── AWS 账号可能被封 → Agent 停止运行
├── API Key 管理复杂 → Agent 无法自主注册
├── 价格不透明 → Agent 无法优化成本
└── 需要 KYC → Agent 不是人，无法完成身份验证
去中心化算力的优势（Agent 视角）：
├── 无许可 → 任何 Agent 都能使用
├── 按需付费 → x402 微支付（Day 72）
├── 抗审查 → 不会被单点下线
└── 可验证 → TEE/zkML 保证推理正确（Day 74）
5.2 Agent 算力消耗估算
一个 DeFi 收益优化 Agent 的日常开销：
├── LLM 推理（策略决策）：~100 次/天 × $0.01 = $1
├── 链上数据查询：~1000 次/天 × $0.001 = $1
├── 链上交易 Gas：~10 次/天 × $0.50 = $5
└── 总计：~$7/天 ≈ $210/月
用 AWS：$210/月（算力部分约 $50-100/月）
用 Akash：$30-50/月（算力部分）
→ Agent 运行成本降低 50-70%
→ 更低的运行成本 = 更多 Agent 能盈利存活
六、PM 产品机会
6.1 基础设施层
| 方向 | 产品形态 | 壁垒 |
|---|---|---|
| GPU 聚合平台 | 统一 API 访问多个去中心化算力网络 | 整合能力 |
| 算力预言机 | 实时报价 + 自动路由到最便宜的提供者 | 数据网络效应 |
| 算力保险 | 为去中心化算力的不可用风险提供保障 | 精算模型 |
6.2 应用层
| 方向 | 产品形态 | 目标用户 |
|---|---|---|
| Agent 算力市场 | Agent 自主购买算力（x402 支付） | AI Agent 开发者 |
| 隐私推理服务 | TEE + 去中心化 GPU = 隐私 AI | 金融/医疗 |
| GPU 挖矿聚合器 | 一键切换最赚钱的算力网络 | GPU 持有者 |
6.3 关键判断
短期（2026）：去中心化算力是"便宜的推理备选"
中期（2027-28）：AI Agent 增长驱动真实算力需求
长期（2029+）：如果 Agent 经济成立，去中心化算力是必要基础设施
→ PM 现在进入 = 早期，需要耐心
→ 核心关注指标：真实利用率（不是节点注册数）
七、面试题答案
Q：去中心化算力能否挑战 AWS？为什么？
30秒版本： 短期不能，也不应该把 AWS 当对标。去中心化算力的真正市场是 AWS 不愿或不能服务的场景——抗审查推理、AI Agent 无许可算力、价格敏感的中小开发者。长期看，如果链上 AI Agent 经济成立，去中心化算力是 Agent 的必要基础设施，因为 Agent 不能依赖可能封号的中心化服务。
2分钟版本：
不能替代的部分：
- 大规模训练需要 NVLink/InfiniBand 高速互联（去中心化节点做不到）
- 企业级 SLA（99.99% 可用性）在分布式网络中难保证
- 数据合规（GDPR 要求数据处理地点可控）
能竞争的部分：
- 推理市场（单 GPU 可独立完成）→ Akash 价格比 AWS 便宜 70%+
- 抗审查场景 → Tornado Cash 被 AWS 下线后的教训
- AI Agent 基础设施 → Agent 需要无许可、无 KYC 的算力访问
关键指标：不看节点数或 Token 市值，看真实 GPU 利用率。2026 年多数去中心化算力网络利用率 <20%——供给远大于需求是主要矛盾。
Q：Bittensor 和 Akash 有什么区别？
| Bittensor | Akash | |
|---|---|---|
| 定位 | 去中心化 AI 网络（激励 AI 模型竞争） | 去中心化云市场（卖原始算力） |
| 用户 | AI 模型开发者/Subnet 创建者 | 需要廉价云计算的开发者 |
| 价值主张 | "AI 的比特币"——挖矿产出是 AI 智能 | "便宜的 AWS"——同样的服务，1/5 价格 |
| Token 机制 | 排放奖励 + 子网竞争 | 反向拍卖 + 质押治理 |
| 核心风险 | 多数子网无真实需求 | 供给不稳定/SLA 弱 |
八、与前后笔记的关联
Day 70（全景）→ 算力层是 AI+Crypto 产品栈的 Layer 1
Day 72（经济模型）→ Agent 运行需要持续消耗算力，成本决定 Agent 存活率
Day 73（产品设计）→ Agent 需要无许可的算力访问
Day 74（zkML）→ 验证去中心化节点的推理是否正确
Day 75（本篇）→ 深入算力供给侧：谁提供算力、如何定价、Token 如何捕获价值
九、今日总结
| 概念 | 一句话 |
|---|---|
| Bittensor | 子网架构让矿工竞争产出 AI 能力，不只是卖算力 |
| Render | 从 3D 渲染扩展到 AI 推理，有真实行业客户 |
| Akash | 去中心化 AWS，反向拍卖定价，便宜 70%+ |
| io.net | GPU 聚合，把分散节点组成虚拟超算 |
| 核心矛盾 | 供给多但需求少，利用率 <20% 是主要瓶颈 |
核心洞察（PM 视角）： 去中心化算力项目的最大错误是把自己对标 AWS——AWS 的壁垒是规模、SLA 和生态。去中心化算力的壁垒应该是无许可性。当 AI Agent 需要自主运行、自主付费、自主选择算力时，它们不能依赖需要 KYC 和信用卡的中心化服务。Agent 经济是去中心化算力的杀手级应用，不是"便宜的云"。
Day 75 完成 · 下一步：Day 76 AI Agent 框架实战