Gradient 谈一下去中心化 AI Infra，这个赛道的项目全都是融资怪兽，因为讲故事的能力非常强，但现阶段能落地到哪里是可行的，能带来什么不同体验，以 @Gradient_HQ 的角度展开： 用最简单的结构把 AI 拆开，基本可以分成 应用端/执行编排/模型训练/数据 这 4 层，字面意思就能理解。 大多数 DeAI 项目，主要集中在执行编排这一层，同时在此之上增加 Crypto 相关特性，比如结算和激励、ZK 可验证性等。而模型层训练和执行侧是目前最集中也是最贵的，现阶段很难去中心化。 对新人来说先做一下基础科普，具备专业知识可跳过这部分。执行与编排可以理解为把需求分发到算力和模型，比如算力市场、任务调度等等，先理解“算力”这个事，通俗来讲，让模型动起来需要做很多数学运算，执行这些运算的能力就是算力。在传统 AI 领域，比如你在与 ChatGPT 聊天时，背后需要有算力来推理运算，这主要来自云端的数据中心（服务器上的 GPU/AI 加速器），你输入内容 → 通过网络发到后端 → 后端的数据中心里的一组 GPU/加速器运行模型完成推理 → 把结果传回浏览器。 Gradient 目前主打的 Infra：Parallax，与我们平常看到的 H100、H20 为核心的计算体系不同的是，它做的事相当于是在不同型号，不同显存，不同网络条件的设备上拆分推理，它自动把模型拆成合适的大小，让每台机器都能跑得动，其核心挑战是机器之间的通信效率，异构硬件环境上的高性能优化问题。大部分项目还是尝试将线下的 H100 “上链结算”，而 Gradient 对这里做了更大胆的尝试，让 4000 美金的两块 4090 也能通过组合发挥出接近 2 万美金的单块 A100 的效果。 这里 enable 了两个 use case： 1/ 每个人都可以在家里用几台电脑自助推理大模型，完全保障了个人隐私。2/ 每个人可以加入一个推理的网络集群，与朋友们一起推理模型，甚至组建起一张更大的推理网络。在这里 Gradient 还设计了一套比较复杂的算法，包括优化切片分段数量，需求动态路由，这里就不展开了，感兴趣的朋友可以读读 paper。 当然 Gradient 不单单只做这一件事，不掺在这里讲了，它是一套开源 AI 基础设施。里面还包含了强化学习等一系列目前 AI 圈比较前沿的 topic，能看出是一个很有野心，对AI创新跟的比较紧的团队。最近团队也被月之暗面，阿里千问等等 AI Lab 认可和支持了，在圈内还是比较少见的，这种方式对 AI 的提升，首先吸纳了异构资源，构建了一套开源的开放的系统，可以让更多人轻松跑大模型，衍生创造出更多好玩的应用。与租用算力相比在一定程度上降低了成本，降低单点风险提升抗审查性，这个是 crypto 比较熟悉的，同时在隐私方面，能够把敏感数据先留在本区域/近端处理。 许多行业巨头对 DeAI 也持肯定态度，DeAI Narrative 的最大支持者之一 David O. Sacks，多次公开强调：AI 将重塑世界，但它的集中化发展路径充满风险。去中心化的 AI 基础设施，是确保创新持续与自由竞争的唯一方式。 Gradient 目前获得了1000 万美元的投资，由 Multicoin Capital、Pantera、HSG（原红杉中国）等明星投资人领投。 “If AI becomes monopolized, it’s game over. The future depends on whether intelligence can be open — decentralized, distributed, and accessible to everyone.” — David O. Sacks