DeepSeek引发的冲击会在今年对AI产业的上下游产生深远的影响，DeepSeek成功让家用消费级显卡完成了原本大量高端GPU才能承担的大模型训练任务。围绕AI发展的第一护城河——算力，开始崩塌，当算法效率以每年68%的速度狂奔，而硬件性能遵循摩尔定律的线性爬升时，过去三年根深蒂固的估值模型不再适用，AI的下一章，将由开源模型来开启。尽管Web3的AI协议和Web2的完全不同，但也不可避免地承受DeepSeek的影响，这种影响会对Web3 AI上下游：基础设施层、中间件层、模型层和应用层，催生出全新的用例。

Web 1的本质是联合，网页是“只读的”，用户只能搜索信息，浏览信息；Web 2的本质是互动，网站是“可写可读的”，用户不仅仅是内容的接收方，还可以参与创作内容。而Web 3是万物互联的时代，网站是“可读可写可持有的”，用户所创数字内容的所有权和控制权都归属于自己，可以自主选择与他人签订协议进行分配。

Web 3作为下一代互联网的代表，强调去中心化、开放性和用户主权，而去中心化计算区别于传统云计算，有效满足了现代技术驱动的计算需求，成为Web 3基础设施的核心。随着互联网新技术的发展和数据量的进一步扩大，去中心化应用市场发展前景广阔，智研咨询预测，预计2025年全球去中心化应用市场规模将达11855.4亿美元。

在去中心化的趋势下，AI训练并不是目前DePIN最好的落地场景。AI生产对算力的要求主要围绕AI推理和AI训练两方面。AI训练指通过投喂大量的数据，训练出一个复杂的神经网络模型，AI推理指利用训练好的模型，使用大量数据推理出各种结论，因此，去中心化与算力结合，难度系数从训练到微调训练再到推理是逐层递减的。若在以太坊上构建一个去中心化算力应用供GPT使用，仅单个矩阵乘法运算将消耗Gas费高达100亿美元并且需要1个月之久，每个token（1000 token约等于750个单词）的训练成本通常约为6N（N是大语言模型的参数数量），而推理成本仅约为2N，也就是说推理成本大约相当于训练成本的三分之一。

由此，Sollong认为：时代需要新一代的基础设施来支撑大模型的训练与推理、生成式AI应用的规模化落地，其核心要素，如算力、数据服务、大模型服务都需精细化的设计和重构，而非简单的服务器或GPU实例的堆砌。

POWERBANK的出现，将会改变算力格局