如何理解 AI 算力代幣？從 GPU 市場到執行層的比較

對許多 AI 開發者來說，真正的難題往往不在程式碼裡，而是在帳單上。

模型訓練需要 GPU，推理部署同樣離不開 GPU。但當算力長期集中在少數平台手中，開發者所面對的，往往是高昂的成本、不確定的排程，以及隨時可能被調整的資源優先級。久而久之，算力本身，逐漸演變成一道無形卻真實存在的門檻。

在更廣泛的 AI 敘事框架中（此前在 XT AI 板塊的整體解析中已有討論），基礎設施層正在悄然重塑價值分配方式。AI 算力市場的出現，正是對這一現實的回應。它試圖透過去中心化的方式，將分散在全球各地的 GPU 資源重新連接起來，讓算力不再只屬於少數中心化參與者。無論是 io.net（IO）強調的算力聚合，還是 Phoenix Global（PHB）所建構的多層 AI 基礎設施生態，都在回答同一個問題：算力，是否可以像市場一樣被重新組織，而不再被壟斷？

TL;DR 快速總結

• GPU 算力已成為制約 AI 產業發展的結構性瓶頸
• AI 算力市場透過開放式機制，嘗試推動 GPU 供給的去中心化
• IO、RLC 與 PHB 代表了不同類型的算力市場架構路徑
• 相比「算力數量」，算力利用率、穩定性與信任機制更為關鍵
• 在參與 AI 基礎設施相關資產前，結構性理解應優先於敘事判斷

為什麼算力正在成為 AI 市場的新瓶頸

在 AI 發展的早期階段，技術進步主要由更強的模型能力和更豐富的數據驅動。但如今，真正的限制因素已經發生轉移。無論是大模型訓練，還是規模化推理部署，都高度依賴持續、穩定的 GPU 算力，而算力需求的增長速度，正在明顯快於供給擴張。

目前，高端 GPU 資源主要集中在少數中心化雲服務商手中，尤其在企業級市場更為明顯。這種集中化格局，正在產生一系列連鎖影響：

• 定價權長期掌握在平台方手中
• 算力資源優先分配給大型、成熟客戶
• 高效能 GPU 的地域可得性存在明顯差異

在這樣的環境下，中小型 AI 團隊、獨立開發者以及早期項目，往往需要承擔更高的成本，或面臨算力取得受限的問題。算力本身，正在演變為一種隱性的競爭壁壘。能否穩定、低成本地獲得 GPU 資源，越來越直接地決定了 AI 產品是否具備落地與規模化擴張的可能性。

正是在這種結構性失衡背景下，AI 算力市場開始出現。它們嘗試透過提供不同於傳統雲服務的算力取得路徑，緩解對中心化平台的單一依賴，為算力供給打開更多可能性。

什麼是 AI 算力市場

AI 算力市場，是一種透過市場化協調機制，將 GPU 算力供給與 AI 工作負載進行連接的平台，而非依賴單一中心化服務商進行算力配置。

從整體結構來看，這類平台主要匯聚兩類參與者：

• 算力提供方：包括資料中心、企業、礦工，或擁有閒置算力的個人
• 算力需求方：包括 AI 新創團隊、科研機構、推理服務商以及模型開發者

在算力市場中，平台層負責完成算力資源的發現、定價、調度與結算。與傳統雲服務不同，基礎設施不再由單一主體壟斷，硬體所有權、任務執行與定價權被拆分並重新分配。

在這一過程中，代幣可能承擔多種功能角色，例如：

• 用於算力使用的結算
• 作為存取權限的控制工具
• 用於協調供需雙方激勵機制

但需要注意的是，代幣在不同平台中的重要性，取決於具體的架構設計，並不存在統一標準。

從交易平台與市場結構的角度來看，AI 算力市場屬於一種獨立的基礎設施類別。它們既不是 AI 應用，也不是面向消費者的產品，其核心價值在於是否能夠在規模化場景下，持續、穩定地協調算力供需關係。

去中心化 GPU 市場如何運作

儘管具體實現路徑各不相同，但大多數去中心化算力市場，通常都圍繞著一套相對一致的結構層級展開。理解項目在這一結構中的發力重點，是評估 AI 算力代幣時不可忽視的關鍵因素。

供給層（Supply Layer）

在供給層，平台負責接入來自分散式算力提供方的 GPU 資源。以 Akash Network 為例，其透過聚合全球獨立營運者的閒置算力，將原本分散、未被充分利用的硬體資源，轉化為開發者可直接調用的開放算力池。

市場層（Marketplace Layer）

市場層的核心職能，是將具體的計算任務與可用 GPU 進行匹配。Render Network 展示了這一機制的典型形態，其透過網路協調的方式，根據節點的可用性與效能指標分配 GPU 任務，取代了傳統中心化調度模式。

執行層（Execution Layer）

在執行層，計算任務運行於相互隔離的環境之中。io.net 強調透過容器化執行與統一調度系統，在異構 GPU 基礎設施上協調 AI 工作負載，同時確保不同任務之間的隔離性與穩定性。

結算層（Settlement Layer）

結算層用於衡量算力使用情況並完成支付協調。Golem 提供了基於實際使用量的結算示例，平台根據任務完成情況向算力提供方支付報酬，而非依據事先聲明的算力規模，從而使激勵機制更貼近真實交付成果。

io.net（IO）：以聚合為核心的 GPU 算力市場

io.net（IO）代表了一種以算力聚合優先的 AI 算力市場路徑。其核心思路在於大規模整合分散的 GPU 資源，並以接近雲服務的方式，將這些算力能力對需求方進行統一呈現。

這種設計高度重視使用體驗。開發者無需與單個硬體提供方逐一對接，即可直接調用算力資源，從而顯著降低使用門檻，加快接入與部署節奏。

這一模式的主要優勢包括：

• 算力調度與交付速度更快
• 接近傳統雲服務的使用體驗，學習成本較低
• 有機會接入規模化、集中化的算力供給池

與此同時，聚合模式也引入了新的依賴關係。算力提供方的品質、節點運行的穩定性，以及長期參與意願，都會直接影響整體服務表現。此外，只有在持續存在真實需求的前提下，聚合算力模型才能保持經濟上的可行性。

對於 IO 而言，核心問題在於：算力聚合是否能夠在規模持續擴張的同時，依然保持可預測的效能表現與穩定的算力利用率。

iExec（RLC）：以安全與可驗證執行為核心的算力市場

iExec（RLC）代表了一種以安全執行為導向的算力市場模式，其重點並不在於大規模聚合 GPU 資源，而在於為 AI 與資料密集型工作負載提供可信的鏈下計算執行環境。

不同於雲化的算力聚合方案，iExec 更強調可信執行環境（TEE）與可驗證計算機制。開發者可以在鏈下完成計算任務，同時透過鏈上機制實現存取控制、結算與執行結果驗證。因此，iExec 常被視為適用於對資料完整性、隱私保護與執行可信度要求較高的基礎設施，而不僅僅追求極致算力效能。

該模式的主要優勢包括：

• 支援可驗證的鏈下安全計算
• 透過市場化機制取得算力資源
• 明確區分協調層與執行層，架構邊界清晰

與此同時，這一模式也存在相應取捨。計算效能的擴展能力與 GPU 可得性，依賴於參與算力提供方的規模與品質，且 iExec 並非以通用 GPU 雲服務為設計目標。