作者：Ekko An，Ryan Yoon；來源：Tiger Research；編譯：Shaw，金色財經
在人工智能蓬勃發展的背景下，我們需要從需求側的角度來評估區塊鏈行業：它解決了哪些現有系統無法解決的問題，以及它帶來了哪些獨特的能力？
去中心化計算和存儲從數據主權和成本競爭力兩方面來看都具有合理的理由。但問題在於，對於已經投入現有雲基礎設施的用戶而言，這兩者都尚未展現出足以令人信服的技術優勢，從而抵消轉換風險。
模型驗證和隱私技術並不能解決企業認為迫切需要主動解決的問題。這類需求更有可能在監管規定出台後出現，而不是先於監管規定出現。歐盟人工智能法案就體現了這種模式：標準先行，市場採納隨後。
在Agent框架領域，制約因素並非技術層面。主流企業仍然專注於內部工作流程自動化，而區塊鏈項目已經在構建後續的基礎設施層。需求需要時間才能跟上技術發展的步伐。
在Agent支付領域，區塊鏈和傳統金融勢均力敵。雙方都尚未徹底解決這個問題，因此，這是唯一一個雙方同時面臨相同挑戰的領域。
區塊鏈人工智能行業整體上的困境並非源於其組合本身的不協調，而是由於存在錯配：這四個類別各自面臨著不同的需求尚未顯現的原因，目前只有Agent支付具備競爭力。
人工智能行業正經歷著前所未有的資本和基礎設施投資集中化。由大型科技公司主導的大型語言模型生態系統已成為日常生活和工業運營的標配。在這一快速擴張的背景下，加密貨幣行業也在迅速發展，尋求與人工智能的技術連接點。
早期的研究主要集中在補充或複製傳統人工智能價值鏈的某些環節：去中心化的GPU供應、數據所有權恢復和加密驗證。而最近，研究重點轉向填補中心化架構難以解決的空白，例如人工智能代理的自主鏈上活動和實時機器間結算。
將這一領域籠統地描述為「人工智能+區塊鏈」掩蓋的信息遠比揭示的信息多。我們需要進行嚴謹的需求側分析：每個子領域針對哪些問題？區塊鏈原生方法是否能提供真正差異化的解決方案？
如今的雲計算市場結構上依賴於少數幾家控制計算資源的大型科技公司。高性能GPU既難以採購又價格極其昂貴，這為無法獲取大規模基礎設施的人工智能初創公司和研究團隊設置了極高的准入門檻。
集中式系統將資源集中到最大的買家手中，沒有中立的渠道來重新分配市場上大量閒置的 GPU 容量。
去中心化計算通過兩種方式解決這種資源集中和效率低下的問題。在共享經濟模式下，項目將個人和小數據中心閒置的GPU資源聚合到一個統一的網路中，從而在現有技術壟斷之外創建一條更加靈活的供應鏈。
在分布式計算模型下，用戶可以在全球範圍內訪問和租用計算資源，而無需依賴任何單一提供商的基礎設施，從而提高閒置硬件的利用率，並降低高性能計算的准入門檻。
當前的數據存儲架構幾乎完全依賴於谷歌和Meta等公司運營的集中式雲基礎設施。當用戶將數據上傳到這些平台時，所有權實際上就轉移到了平台，從而鞏固了平台對人工智能訓練數據的壟斷控制。集中式基礎設施也帶來了運營風險：政策變更、服務中斷或平台故障都可能導致數據訪問中斷或數據丟失。
去中心化存儲通過兩種方式解決這些結構性問題。以 Filecoin 和 Arweave 為代表的共享經濟模式，將各個參與者的閒置存儲空間匯集到一個網路中，該網路能夠替代現有的中心化雲。
永久存儲模型將數據複製到分布式節點，確保數據持久性，無論單個服務器的運行狀態如何，並減少對任何單一平台的依賴。
人工智能開發者需要訓練數據，但當前的數據分發市場是一個封閉系統，大型平台（例如 Hugging Face）和雲供應商攫取了經濟利益並控制了定價。數據創建者獲得的報酬微乎其微，而且獎勵數據收集和貢獻的機制缺乏透明度。
鏈上市場通過智能合約消除中間環節，並建立透明的交易條款。在 Ocean Protocol 等直接交易模式下，數據所有者們和人工智能開發者直接通過智能合約進行交易，報酬以透明的方式分配。在 Grass 等貢獻獎勵模式下，個人將閒置帶寬連接到人工智能數據收集，並根據其貢獻價值獲得相應的報酬。
傳統人工智能系統如同黑箱一般運行，沒有外部手段來驗證模型是否正確運行或敏感用戶數據是否得到安全處理。
零知識機器學習 (ZKML) 在人工智能推理過程中引入了加密驗證層，從而實現了隱私保護和可審計性。在這種架構中，模型以傳統方式在鏈下運行，但計算過程會生成一個加密證明，證明該過程已按照預定義的規則正確執行。
這種證明記錄在鏈上，而非底層數據。舉例來說：在自動化醫療保險報銷服務中，醫院只需提交人工智能模型運行正確的證明，而無需共享完整的醫療記錄。保險公司無需訪問原始數據即可驗證索賠的合法性。
隨著人工智能代理（AI Agent）成為流量和價值創造的主要載體，它們正從工具演化為自主的經濟主體。現有的金融體系是圍繞人類消費模式設計的，其結構與以機器為中心的支付環境並不相容。
Agent 經濟需要以毫秒級速度執行的微交易、高頻結算和跨境支付，而現有的金融基礎設施無法滿足這一需求。
鏈上代理基礎設施通過兩種機制解決這個問題。自主執行和控制機制為人工智能代理分配唯一的錢包和身份，使其能夠直接簽署交易，並設置可配置的支出限額和安全措施來防止意外行為。
基於協議的結算機制使用穩定幣支付協議（例如 x402）實時結算微交易和高頻支付，繞過貨幣轉換和審批流程。
人工智能價值鏈的形成圍繞著逐步消除瓶頸展開。隨著人工智能需求的增長，內存短缺問題日益凸顯，電力和數據傳輸能力也面臨巨大壓力。能夠快速解決這些問題的公司，例如HBM製造商和電力基礎設施提供商，將吸引巨額資本並獲得顯著的市場價值提升。市場對那些能夠消除增長障礙的解決方案給予了明確的認可。
區塊鏈人工智能項目已經發現了一些實際存在的問題，但它們並未引起市場應有的關注。如果這些問題真如其所聲稱的那樣緊迫，那麼它們早就應該在市場上引發可衡量的變化了。
儘管區塊鏈人工智能項目推進了諸如減少 GPU 集中度和恢復數據主權等合法目標，但其無法吸引主流資本的原因在於技術供應商的優先事項與控制資本配置的買家的優先事項之間存在明顯的差距。
人工智能行業發展節奏緊湊，買家（主要是大型科技公司和企業客戶）會大規模投資於能夠最快解決其當前運營瓶頸的方案。他們不會花時間評估未經檢驗的基礎設施。他們的首要考慮因素是計算性能、基礎設施可靠性和可衡量的投資回報。
舉例來說：當數據傳輸速度成為模型訓練的瓶頸時，大量資金湧入光纖基礎設施，以取代銅纜。當內存帶寬成為主要制約因素時，買家將其視為關鍵問題，SK海力士和三星電子通過提供高帶寬內存解決了這一問題，從而在全球範圍內聲名鵲起。這種模式始終如一：資本會追隨那些能夠消除制約因素、推動進步的企業。
區塊鏈人工智能面臨的根本問題在於框架構建。擁有雄厚資金預算的買家只關注短期性能提升和成本降低。相比之下，區塊鏈人工智能卻專注於買家視為次要或未來階段性問題的其他方面。
供應方的技術目標與需求方的直接運營需求並不一致。
一些項目利用基準測試來展示去中心化基礎設施的潛力和設計理念。但更根本的問題在於，這些工作尚未帶來足以撼動主流市場中根深蒂固的傳統企業的重大技術突破。
一項新技術要想從 AWS 或 GCP 等集中式雲提供商手中奪取市場份額（這些提供商已經擁有巨額資金和基礎設施），就必須提供巨大的性能優勢，使與現有提供商之間的差距變得無關緊要。
當蘋果公司從英特爾芯片過渡到 M1 芯片時，雖然承擔了破壞軟體兼容性的重大風險，但此舉的合理之處在於其能效提高了三倍，這一差距足以使過渡變得值得。
對於需要 PB 級數據同步和超低延遲作為基本條件的企業買家而言，區塊鏈人工智能尚未提供足夠清晰的理由來讓他們接受轉換風險。
在去中心化計算領域，一些項目引入了服務級別協議（SLA）作為風險緩解機制，但企業買家仍然不買帳。原因在於結構性問題，而非合同問題。大型雲服務提供商提供受控的專用數據中心，而區塊鏈網絡則依賴於分散的、匿名的節點參與。
如果某個節點宕機並中斷價值數億韓元的模型訓練，任何代幣退款或經濟補償都無法彌補機會成本和時間損失。對於時間緊迫的企業買家而言，系統穩定性是不可妥協的。
即使採取了對沖機制，剩餘的不確定性也不是大多數買家有動力去承擔的風險。
區塊鏈代理框架是為多個 AI 代理自主協作的複雜生態系統而設計的，但這種願景與當前主流市場的成熟度之間存在差距。
在微軟和Salesforce等公司的引領下，企業採用人工智能代理的步伐正在加快，但目前的重點仍然集中在受控的內部網絡內的工作流自動化上。區塊鏈項目正在構建的基礎設施則著眼於下一個階段：獨立的人工智能代理能夠在組織邊界之外的外部網絡中自主運行。如今，大多數企業仍然專注於確保已部署人工智能系統的穩定性和投資回報率。跨外部網絡的多代理協作尚未成為企業基礎設施路線圖上的優先事項。
現階段需求有限反映的是時機問題，而非技術缺陷。這更應理解為一項著眼於代理經濟的長期基礎設施投資，而非短期盈利機會。
零知識證明和隱私保護技術是建立人工智能可信度的核心解決方案，但在人工智能應用初期，企業對隱私基礎設施的實際需求有限。企業自願採用不太可能推動技術的大規模普及；更有可能的情況是，監管標準會創造需求，而技術則應迎頭趕上。
全球監管框架（包括歐盟人工智能法案）日益明確，這在這方面是一個有利的發展趨勢。隨著數據來源和安全方面的法律要求日趨具體，區塊鏈的先進驗證功能有望成為企業部署中的合規要求，而非可選項。
該領域的監管發展與其說是制約因素，不如說是市場形成的催化劑。明確的監管標準能夠降低市場不確定性，從而為區塊鏈人工智能在制度框架內建立主流需求創造一條穩定的路徑。
這些結構性因素共同導致了一個更為根本的問題：缺乏能夠大規模展現價值的標誌性成功案例。傳統人工智能行業之所以能取得如今的地位，正是得益於ChatGPT所開啟的普及飛輪效應：它利用一款具體且廣為人知的產品，吸引了維持持續增長所需的資金和人才。
區塊鏈人工智能項目尚未展現出大規模產品與市場契合的類似證據。除了早期社區的熱情之外，沒有任何項目能在企業運營或消費者日常生活層面展現出足以引起主流資本重視的應用。缺乏令人信服的參考案例仍然是吸引保守型機構投資的最大障礙，而保守型機構投資本可以加速區塊鏈人工智能的更廣泛應用。
無論市場預期如何，區塊鏈人工智能尚未在主流人工智能價值鏈中找到穩定的立足點。這是否意味著這種結合毫無價值？
並非如此。
區塊鏈人工智能項目目前被忽視的根本原因並非其本身存在內在矛盾，而在於每個子類別中，現有行業的需求與該技術旨在實現的目標之間存在錯配。
傳統人工智能行業的優先事項很明確：短期性能、成本優化和基礎設施的可靠性。相比之下，目前許多基於區塊鏈的人工智能方案則側重於數據所有權、計算透明度和去中心化。
對於成熟的行業參與者而言，這些問題並非迫在眉睫的瓶頸，而解決這些問題往往需要付出相對於收益而言過高的性能代價。
在人工智能熱潮興起之前，電力基礎設施公司通常被歸類為成熟、增長緩慢的企業。數據中心驅動的電力需求激增改變了這一現狀，此後它們吸引了大量的市場關注。目前人們對區塊鏈人工智能的冷漠可能也反映了類似的滯後效應，即在新範式出現之前，基礎設施的價值尚未完全顯現。
在這個過渡時期，重要的是該行業如何應對市場的實際需求。
前進的道路分為兩個方向：積極適應已建立的人工智能價值鏈的標準，並縮小近期性能差距；或者保持現有能力，同時繼續構建未來一代人工智能部署所需的基礎設施。
結果將取決於哪種選擇更符合未來的需求走向。
221.32萬 熱度
850.88萬 熱度
51.5萬 熱度
2201.32萬 熱度
101.43萬 熱度
為什麼AI+區塊鏈在AI時代難以獲得廣泛應用
作者：Ekko An，Ryan Yoon；來源：Tiger Research；編譯：Shaw，金色財經
要點總結
在人工智能蓬勃發展的背景下，我們需要從需求側的角度來評估區塊鏈行業：它解決了哪些現有系統無法解決的問題，以及它帶來了哪些獨特的能力？
去中心化計算和存儲從數據主權和成本競爭力兩方面來看都具有合理的理由。但問題在於，對於已經投入現有雲基礎設施的用戶而言，這兩者都尚未展現出足以令人信服的技術優勢，從而抵消轉換風險。
模型驗證和隱私技術並不能解決企業認為迫切需要主動解決的問題。這類需求更有可能在監管規定出台後出現，而不是先於監管規定出現。歐盟人工智能法案就體現了這種模式：標準先行，市場採納隨後。
在Agent框架領域，制約因素並非技術層面。主流企業仍然專注於內部工作流程自動化，而區塊鏈項目已經在構建後續的基礎設施層。需求需要時間才能跟上技術發展的步伐。
在Agent支付領域，區塊鏈和傳統金融勢均力敵。雙方都尚未徹底解決這個問題，因此，這是唯一一個雙方同時面臨相同挑戰的領域。
區塊鏈人工智能行業整體上的困境並非源於其組合本身的不協調，而是由於存在錯配：這四個類別各自面臨著不同的需求尚未顯現的原因，目前只有Agent支付具備競爭力。
人工智能行業正經歷著前所未有的資本和基礎設施投資集中化。由大型科技公司主導的大型語言模型生態系統已成為日常生活和工業運營的標配。在這一快速擴張的背景下，加密貨幣行業也在迅速發展，尋求與人工智能的技術連接點。
早期的研究主要集中在補充或複製傳統人工智能價值鏈的某些環節：去中心化的GPU供應、數據所有權恢復和加密驗證。而最近，研究重點轉向填補中心化架構難以解決的空白，例如人工智能代理的自主鏈上活動和實時機器間結算。
將這一領域籠統地描述為「人工智能+區塊鏈」掩蓋的信息遠比揭示的信息多。我們需要進行嚴謹的需求側分析：每個子領域針對哪些問題？區塊鏈原生方法是否能提供真正差異化的解決方案？
2.1 去中心化計算
如今的雲計算市場結構上依賴於少數幾家控制計算資源的大型科技公司。高性能GPU既難以採購又價格極其昂貴，這為無法獲取大規模基礎設施的人工智能初創公司和研究團隊設置了極高的准入門檻。
集中式系統將資源集中到最大的買家手中，沒有中立的渠道來重新分配市場上大量閒置的 GPU 容量。
去中心化計算通過兩種方式解決這種資源集中和效率低下的問題。在共享經濟模式下，項目將個人和小數據中心閒置的GPU資源聚合到一個統一的網路中，從而在現有技術壟斷之外創建一條更加靈活的供應鏈。
在分布式計算模型下，用戶可以在全球範圍內訪問和租用計算資源，而無需依賴任何單一提供商的基礎設施，從而提高閒置硬件的利用率，並降低高性能計算的准入門檻。
2.2 去中心化存儲
當前的數據存儲架構幾乎完全依賴於谷歌和Meta等公司運營的集中式雲基礎設施。當用戶將數據上傳到這些平台時，所有權實際上就轉移到了平台，從而鞏固了平台對人工智能訓練數據的壟斷控制。集中式基礎設施也帶來了運營風險：政策變更、服務中斷或平台故障都可能導致數據訪問中斷或數據丟失。
去中心化存儲通過兩種方式解決這些結構性問題。以 Filecoin 和 Arweave 為代表的共享經濟模式，將各個參與者的閒置存儲空間匯集到一個網路中，該網路能夠替代現有的中心化雲。
永久存儲模型將數據複製到分布式節點，確保數據持久性，無論單個服務器的運行狀態如何，並減少對任何單一平台的依賴。
2.3 數據市場
人工智能開發者需要訓練數據，但當前的數據分發市場是一個封閉系統，大型平台（例如 Hugging Face）和雲供應商攫取了經濟利益並控制了定價。數據創建者獲得的報酬微乎其微，而且獎勵數據收集和貢獻的機制缺乏透明度。
鏈上市場通過智能合約消除中間環節，並建立透明的交易條款。在 Ocean Protocol 等直接交易模式下，數據所有者們和人工智能開發者直接通過智能合約進行交易，報酬以透明的方式分配。在 Grass 等貢獻獎勵模式下，個人將閒置帶寬連接到人工智能數據收集，並根據其貢獻價值獲得相應的報酬。
2.4 模型和推理驗證/隱私
傳統人工智能系統如同黑箱一般運行，沒有外部手段來驗證模型是否正確運行或敏感用戶數據是否得到安全處理。
零知識機器學習 (ZKML) 在人工智能推理過程中引入了加密驗證層，從而實現了隱私保護和可審計性。在這種架構中，模型以傳統方式在鏈下運行，但計算過程會生成一個加密證明，證明該過程已按照預定義的規則正確執行。
這種證明記錄在鏈上，而非底層數據。舉例來說：在自動化醫療保險報銷服務中，醫院只需提交人工智能模型運行正確的證明，而無需共享完整的醫療記錄。保險公司無需訪問原始數據即可驗證索賠的合法性。
2.5 人工智能代理框架
隨著人工智能代理（AI Agent）成為流量和價值創造的主要載體，它們正從工具演化為自主的經濟主體。現有的金融體系是圍繞人類消費模式設計的，其結構與以機器為中心的支付環境並不相容。
Agent 經濟需要以毫秒級速度執行的微交易、高頻結算和跨境支付，而現有的金融基礎設施無法滿足這一需求。
鏈上代理基礎設施通過兩種機制解決這個問題。自主執行和控制機制為人工智能代理分配唯一的錢包和身份，使其能夠直接簽署交易，並設置可配置的支出限額和安全措施來防止意外行為。
基於協議的結算機制使用穩定幣支付協議（例如 x402）實時結算微交易和高頻支付，繞過貨幣轉換和審批流程。
人工智能價值鏈的形成圍繞著逐步消除瓶頸展開。隨著人工智能需求的增長，內存短缺問題日益凸顯，電力和數據傳輸能力也面臨巨大壓力。能夠快速解決這些問題的公司，例如HBM製造商和電力基礎設施提供商，將吸引巨額資本並獲得顯著的市場價值提升。市場對那些能夠消除增長障礙的解決方案給予了明確的認可。
區塊鏈人工智能項目已經發現了一些實際存在的問題，但它們並未引起市場應有的關注。如果這些問題真如其所聲稱的那樣緊迫，那麼它們早就應該在市場上引發可衡量的變化了。
儘管區塊鏈人工智能項目推進了諸如減少 GPU 集中度和恢復數據主權等合法目標，但其無法吸引主流資本的原因在於技術供應商的優先事項與控制資本配置的買家的優先事項之間存在明顯的差距。
人工智能行業發展節奏緊湊，買家（主要是大型科技公司和企業客戶）會大規模投資於能夠最快解決其當前運營瓶頸的方案。他們不會花時間評估未經檢驗的基礎設施。他們的首要考慮因素是計算性能、基礎設施可靠性和可衡量的投資回報。
舉例來說：當數據傳輸速度成為模型訓練的瓶頸時，大量資金湧入光纖基礎設施，以取代銅纜。當內存帶寬成為主要制約因素時，買家將其視為關鍵問題，SK海力士和三星電子通過提供高帶寬內存解決了這一問題，從而在全球範圍內聲名鵲起。這種模式始終如一：資本會追隨那些能夠消除制約因素、推動進步的企業。
區塊鏈人工智能面臨的根本問題在於框架構建。擁有雄厚資金預算的買家只關注短期性能提升和成本降低。相比之下，區塊鏈人工智能卻專注於買家視為次要或未來階段性問題的其他方面。
供應方的技術目標與需求方的直接運營需求並不一致。
3.1 技術限制
一些項目利用基準測試來展示去中心化基礎設施的潛力和設計理念。但更根本的問題在於，這些工作尚未帶來足以撼動主流市場中根深蒂固的傳統企業的重大技術突破。
一項新技術要想從 AWS 或 GCP 等集中式雲提供商手中奪取市場份額（這些提供商已經擁有巨額資金和基礎設施），就必須提供巨大的性能優勢，使與現有提供商之間的差距變得無關緊要。
當蘋果公司從英特爾芯片過渡到 M1 芯片時，雖然承擔了破壞軟體兼容性的重大風險，但此舉的合理之處在於其能效提高了三倍，這一差距足以使過渡變得值得。
對於需要 PB 級數據同步和超低延遲作為基本條件的企業買家而言，區塊鏈人工智能尚未提供足夠清晰的理由來讓他們接受轉換風險。
3.2 需求錯配
在去中心化計算領域，一些項目引入了服務級別協議（SLA）作為風險緩解機制，但企業買家仍然不買帳。原因在於結構性問題，而非合同問題。大型雲服務提供商提供受控的專用數據中心，而區塊鏈網絡則依賴於分散的、匿名的節點參與。
如果某個節點宕機並中斷價值數億韓元的模型訓練，任何代幣退款或經濟補償都無法彌補機會成本和時間損失。對於時間緊迫的企業買家而言，系統穩定性是不可妥協的。
即使採取了對沖機制，剩餘的不確定性也不是大多數買家有動力去承擔的風險。
3.3 需求尚未形成
區塊鏈代理框架是為多個 AI 代理自主協作的複雜生態系統而設計的，但這種願景與當前主流市場的成熟度之間存在差距。
在微軟和Salesforce等公司的引領下，企業採用人工智能代理的步伐正在加快，但目前的重點仍然集中在受控的內部網絡內的工作流自動化上。區塊鏈項目正在構建的基礎設施則著眼於下一個階段：獨立的人工智能代理能夠在組織邊界之外的外部網絡中自主運行。如今，大多數企業仍然專注於確保已部署人工智能系統的穩定性和投資回報率。跨外部網絡的多代理協作尚未成為企業基礎設施路線圖上的優先事項。
現階段需求有限反映的是時機問題，而非技術缺陷。這更應理解為一項著眼於代理經濟的長期基礎設施投資，而非短期盈利機會。
3.4 監管前提條件
零知識證明和隱私保護技術是建立人工智能可信度的核心解決方案，但在人工智能應用初期，企業對隱私基礎設施的實際需求有限。企業自願採用不太可能推動技術的大規模普及；更有可能的情況是，監管標準會創造需求，而技術則應迎頭趕上。
全球監管框架（包括歐盟人工智能法案）日益明確，這在這方面是一個有利的發展趨勢。隨著數據來源和安全方面的法律要求日趨具體，區塊鏈的先進驗證功能有望成為企業部署中的合規要求，而非可選項。
該領域的監管發展與其說是制約因素，不如說是市場形成的催化劑。明確的監管標準能夠降低市場不確定性，從而為區塊鏈人工智能在制度框架內建立主流需求創造一條穩定的路徑。
3.5 用例不足
這些結構性因素共同導致了一個更為根本的問題：缺乏能夠大規模展現價值的標誌性成功案例。傳統人工智能行業之所以能取得如今的地位，正是得益於ChatGPT所開啟的普及飛輪效應：它利用一款具體且廣為人知的產品，吸引了維持持續增長所需的資金和人才。
區塊鏈人工智能項目尚未展現出大規模產品與市場契合的類似證據。除了早期社區的熱情之外，沒有任何項目能在企業運營或消費者日常生活層面展現出足以引起主流資本重視的應用。缺乏令人信服的參考案例仍然是吸引保守型機構投資的最大障礙，而保守型機構投資本可以加速區塊鏈人工智能的更廣泛應用。
無論市場預期如何，區塊鏈人工智能尚未在主流人工智能價值鏈中找到穩定的立足點。這是否意味著這種結合毫無價值？
並非如此。
區塊鏈人工智能項目目前被忽視的根本原因並非其本身存在內在矛盾，而在於每個子類別中，現有行業的需求與該技術旨在實現的目標之間存在錯配。
傳統人工智能行業的優先事項很明確：短期性能、成本優化和基礎設施的可靠性。相比之下，目前許多基於區塊鏈的人工智能方案則側重於數據所有權、計算透明度和去中心化。
對於成熟的行業參與者而言，這些問題並非迫在眉睫的瓶頸，而解決這些問題往往需要付出相對於收益而言過高的性能代價。
在人工智能熱潮興起之前，電力基礎設施公司通常被歸類為成熟、增長緩慢的企業。數據中心驅動的電力需求激增改變了這一現狀，此後它們吸引了大量的市場關注。目前人們對區塊鏈人工智能的冷漠可能也反映了類似的滯後效應，即在新範式出現之前，基礎設施的價值尚未完全顯現。
在這個過渡時期，重要的是該行業如何應對市場的實際需求。
前進的道路分為兩個方向：積極適應已建立的人工智能價值鏈的標準，並縮小近期性能差距；或者保持現有能力，同時繼續構建未來一代人工智能部署所需的基礎設施。
結果將取決於哪種選擇更符合未來的需求走向。