去中心化GPU網絡在人工智能領域還有哪些角色？

去中心化GPU網絡將自身定位為運行AI工作負載的低成本層，而最新模型的訓練仍然集中在超大規模數據中心內。

前沿AI訓練涉及構建最大、最先進的系統，這一過程需要數千枚GPU高效協同運行。

這種級別的協作使得去中心化網絡在頂級AI訓練中難以實現，因為互聯網的延遲和可靠性無法與集中式數據中心中高度耦合的硬件相提並論。

大多數生產環境下的AI工作負載並不類似於大規模模型訓練，這為去中心化網絡承接推理和日常任務提供了空間。

“我們現在開始看到，很多開源及其他模型已經足夠精簡且優化，可以高效地在消費級GPU上運行。”Theta Network聯合創始人兼首席執行官Mitch Liu向Cointelegraph表示，“這正在推動整個行業向開源、更加高效的模型以及更具經濟效益的處理方式轉變。”

從前沿AI訓練到日常推理

前沿訓練主要集中在少數超大規模運營商手中，因為運行大型訓練任務的成本和復雜度極高。 最新的AI硬件，例如Nvidia的Vera Rubin，被設計用於優化集成數據中心環境下的性能。

“你可以把前沿AI模型的訓練比作建造一座摩天大樓，”基礎設施公司Ovia Systems（前身為Gaimin）首席執行官Nökkvi Dan Ellidason對Cointelegraph表示，“在集中式數據中心，所有工人都在同一個腳手架上，手動傳遞磚塊。”

這種一體化程度使分佈式網絡中常見的鬆散協作和延遲波動幾乎沒有空間。

“如果要在去中心化網絡中建造同樣的摩天大樓，他們必須通過開放互聯網把每塊磚郵寄給對方，這效率極低。”Ellidason補充道。

Meta訓練其Llama 4 AI模型時，使用了超過10萬枚Nvidia H100 GPU組成的集群。 OpenAI未披露用於模型訓練的GPU集群規模，不過其基礎設施負責人Anuj Saharan表示，gpt-5上線時獲得了超過20萬枚GPU的支持，但並未具體說明這些算力中有多少用於訓練，多少用於推理或其他工作負載。

推理指的是運行已訓練模型，為用戶和應用生成響應。 Ellidason稱，AI市場已達到“推理臨界點”。 雖然在2024年GPU需求仍以訓練為主，他估計到2026年，推理、智能體和預測型工作負載將推動多達70%的需求。

“這讓算力從研究成本轉變為持續擴張的公用事業成本，”Ellidason說，“因此，內部循環驅動的需求倍增效應使去中心化計算在混合架構中成為可行選項。”

去中心化GPU網絡的實際定位

去中心化GPU網絡最適合於可以分割、路由並獨立執行的工作負載，無需機器間持續同步。

“推理是一個體量巨大的業務領域，並且會隨著每個部署的模型和智能體迴路而擴張，”去中心化計算平台Fluence聯合創始人Evgeny PonomARev對Cointelegraph表示，“在這個領域，成本、彈性和地理分佈比完美互聯更為重要。”

實際上，這意味著消費級環境下的去中心化GPU和遊戲級GPU對於追求吞吐量和靈活性、而非高度協調的生產工作負載更加合適。

“消費級GPU VRAM較低且家庭網絡連接環境下，既不適合訓練，也不適合對延遲極為敏感的負載，”閒置消費級GPU聚合平台Salad Technologies首席執行官Bob Miles對Cointelegraph說。

去中心化GPU網絡同樣適合於採集、清洗、準備訓練數據等任務。 這類任務常常需要廣泛訪問互聯網，並可在無須緊密協調的情況下並行運行。

Miles表示，這類工作在沒有大量代理層基礎設施的前提下，在超大規模數據中心內高效運行難度較大。

當服務全球用戶時，去中心化模型具備地理優勢，因為它可以減少用戶請求到數據中心所需的物理距離和多次網絡跳轉，從而降低延遲。

“在去中心化模式中，GPU分佈在全球眾多地點，通常更接近終端用戶。因此，用戶與GPU之間的時延明顯較低，優於統一將流量路由至集中式數據中心，”Theta Network的劉明杰表示。

Theta Network正面臨兩名前員工在2025年12月於洛杉磯地區提起的欺詐及代幣操控相關訴訟。 劉明杰稱目前訴訟尚未終結，因此無法置評。 Theta此前已否認相關指控。

AI計算的互補層

前沿AI訓練在可預見時期內仍將保持集中化，但AI計算正逐步轉向推理、智能體以及需較鬆散協作的生產負載。 這類工作負載更加註重成本效率、地理分佈和彈性。

“本輪週期出現了大量雖不及ChatGPT規模，但運行在配備RTX 4090或5090等GPU個人電腦上的開源模型，”Theta技術負責人Jieyi Long對Cointelegraph表示。

Long指出，借助該級別硬件，用戶可以本地運行擴散模型、3D重建模型以及其它有意義的工作負載，這為零售用戶共享自身GPU資源創造了機會。

去中心化GPU網絡並非超大規模運營商的替代方案，但正逐漸成為AI算力結構中的互補層。

隨著消費級硬件不斷升級、開源模型愈發高效，越來越多AI任務逐步從集中式數據中心外溢，讓去中心化模型在AI體系中佔據一席之地。