去中心化算力，是加密领域中拥有真实需求的的垂直领域之一

当前Web3技术要实现大规模普及仍面临三大核心挑战：

——体验门槛过高，普通用户需要面对复杂的钱包管理、波动的Gas费用和易丢失的助记词等问题，这要求行业尽快推进账户抽象等用户友好型解决方案。

——监管环境的不确定性，以SEC起诉Coinbase为代表的监管行动正在给创新蒙上阴影，亟需建立清晰的合规框架。

——技术本身的效率瓶颈，以太坊等主流公链15–30TPS的处理能力远不能满足AI时代的数据吞吐需求，这需要通过Optimism、zkSync等Layer2扩容方案，或Celestia等模块化区块链架构来优化性能，在保持去中心化特性的同时提升系统效率。这些挑战的解决程度将直接决定Web3能否从极客实验场蜕变为支撑数字文明的基础设施。

虽然AI和Crypto作为buzzword火了这些年，但人工智能和区块链作为两项重要技术仿佛两条平行线，迟迟没有找到一个“交点”。今年年初，Vitalik发表了一篇名为“The promise and challenges of crypto + AI applications” 的文章，讨论了未来AI和crypto相结合的场景。Vitalik在文中提到了很多的畅想，包括利用区块链和MPC等加密技术对AI进行去中心化的training和inference，可以将machine learning的黑箱打开，从而让AI model更加trustless等等。这些愿景若要实现还有很长一段路要走。但其中Vitalik提到的其中一个用例——利用crypto的经济激励来赋能AI，也是一个重要且在短时间内可以实现的一个方向。去中心化算力网络便是现阶段AI + crypto最合适的场景之一。

也就是说，此时此刻，算力，成为重大的突破口

随着Al的繁荣，对GPU的需求激增。目前大部分GPU市场由英伟达占据，然而英伟达芯片供货量紧张，价格也水涨船高，以A100 GPU为例，其市场单价已达15万元，两个月内涨幅超50%。同时，大模型的应用将更大地提高算力成本。经测算，1万枚英伟达A100芯片是做好AI大模型的算力门槛，像GPT3的单次训练成本已高于1200万美元。

同时，GPU存在算力闲置问题。GPT3训练1750亿个参数的模型需要在内存中保存超过1TB的数据，这超过了当今现有的任何GPU，受限于内存，需要更多的GPU进行并行计算和存储，导致GPU利用率低和算力闲置。而同样因为受限于内存，模型复杂度与所需要的GPU数量并不是线性增长关系，这将加重GPU利用率低的问题，GPT4在大约25000个A100 GPU上进行90到100天的训练，其算力利用率仅为32%至36%。还有很多算力存在于独立数据中心、加密矿工和MacBook、游戏PC等用户的消费设备中，这些资源很难聚合和利用。

在 AI 领域，算力的提升为更复杂的算法提供了运行基础，使模型能处理更大量数据、学习更复杂模式；而算法的优化则能更高效地利用算力，提升计算资源的使用效率。算力与算法的共生关系正重塑AI产业格局：

技术路线分化：OpenAI等公司追求构建超大型算力集群，而DeepSeek等则专注算法效率优化，形成不同技术流派。

产业链重构：英伟达通过CUDA生态系统成为AI算力主导者，云服务商则通过弹性算力服务降低部署门槛。

资源配置调整：企业研发重心在硬件基础设施投资与高效算法研发间寻求平衡。

开源社区崛起：DeepSeek、LLaMA等开源模型使算法创新与算力优化成果得以共享，加速技术迭代与扩散

为此，Sollong从四点出发，进行算力生态的深耕

硬件网络：将分散的算力资源整合在一起，通过分布在全球各地的节点来实现算力资源的共享和负载均衡，是去中心化算力网络的基础层。

双边市场：通过合理的定价机制和发现机制将算力提供者与需求者进行匹配，提供安全的交易平台，确保供需双方的交易透明、公平和可信。

共识机制：用于确保网络内节点正确运行并完成工作。共识机制主要用于监测两个层面：1）监测节点是否在线运行，处于可以随时接受任务的活跃状态；2）节点工作证明：该节点接到任务后有效正确地完成了任务，算力没有被用于其他目的而占用了进程和线程。

代币激励：代币模型用于激励更多的参与方提供/使用服务，并且用token捕获这种网络效应，实现社区收益共享。

2025年的今天，Sollong始终认为Crypto与AI的结合有着巨大的市场潜力，但同时也面临与传统企业激烈的竞争、高进入门槛和复杂的市场环境。总的来说，纵观所有crypto赛道，去中心化算力网络是加密领域中最有希望获得真实需求的的垂直领域之一。