原文作者： @BlazingKevin_ ，the Researcher at Movemaker
儲存曾經是行業內的頂級敘事之一, Filecoin 作為上一輪牛市的賽道龍頭, 市值曾超百億美元. Arweave 作為與之對標的存儲協議, 以永久存儲作為賣點, 市值最高達到 35 億美元.的出現讓沉寂已久的存儲敘事泛起浪花, 而今 Aptos 攜手 Jump Crypto 推出 Shelby，旨在讓去中心化存儲在熱數據這個賽道上再上一個台階. 那麼去中心化存儲到底能否捲土重來, 提供廣泛用例?試圖尋找這樣一個答案: 去中心化儲存的普及之路還有多遠？
Filecoin：儲存是表象，挖礦是本質
Filecoin 是最初崛起的山寨幣之一，其發展方向自然圍繞著去中心化展開，這是早期山寨幣的普遍共性——即在各種傳統賽道中尋找去中心化存在的意義。 Filecoin 也不例外，它將儲存與去中心化連結起來，從而自然地聯想到中心化儲存的弊端：對中心化資料儲存服務商的信任假設。因此，Filecoin 所做的就是將中心化儲存轉向去中心化儲存。然而，在這個過程中為實現去中心化而犧牲的某些方面，成為了後來Arweave 或Walrus 計畫所設想解決的痛點。想理解為什麼 Filecoin 只是一個礦幣, 就需要了解為什麼它的底層技術 IPFS 不適合做熱數據的客觀限制.
IPFS：去中心化架構，卻止步於傳輸瓶頸
IPFS（星際檔案系統）早在2015 年左右就已問世，它旨在透過內容尋址來顛覆傳統的HTTP 協定。 IPFS 最大的弊端是取得速度極為緩慢。在傳統數據服務供應商能達到毫秒響應的時代，IPFS 獲取一個文件仍需十幾秒，這使得它難以在實際應用中推廣，也解釋了為何除了少數區塊鏈項目外，它鮮少被傳統行業採用。
IPFS 底層P2P協定主要適用於“冷資料”，也就是不常變動的靜態內容，例如影片、圖片和文件等。然而，在處理熱數據方面，例如動態網頁、線上遊戲或人工智慧應用，P2P 協議相較於傳統的 CDN 並沒有明顯優勢。
但是, 儘管IPFS 本身並非區塊鏈，但其採用的有向無環圖（DAG）設計理念與許多公鏈及Web3 協議高度契合，使其天生適合作為區塊鏈的底層構建框架。因此即使它並沒有實用價值，但作為一個承載區塊鏈敘事的底層框架已經十分足夠, 早期的山寨項目只需要一個能跑通的框架就可以開啟星辰大海, 但當 Filecoin 發展到一定時期時, IPFS 帶來的硬傷就開始阻礙其前行.
存儲外衣下的礦幣邏輯
IPFS 的設計初衷是讓使用者在儲存資料的同時，也能作為儲存網路的一部分。然而，在沒有經濟誘因的情況下，用戶很難自願使用這套系統，更別提成為活躍的儲存節點。這意味著，大多數使用者只會把檔案存在IPFS 上，卻不會貢獻自己的儲存空間，也不會儲存他人的檔案。正是在這樣的背景下，Filecoin 應運而生。
Filecoin 的代幣經濟模型中主要有三個角色：用戶負責支付費用以存儲數據；存儲礦工因存儲用戶數據而獲得代幣激勵；檢索礦工則在用戶需要時提供數據並獲取激勵。
這種模型存在潛在的作惡空間。儲存礦工可能在提供儲存空間後，填充垃圾資料以獲取獎勵。由於這些垃圾資料不會被檢索，即便它們遺失，也不會觸發儲存礦工的罰沒機制。這使得儲存礦工可以刪除垃圾資料並重複此過程。 Filecoin 的複製證明共識只能確保用戶資料未被私自刪除，卻無法阻止礦工填充垃圾資料。
Filecoin 的運作在很大程度上依賴礦工對代幣經濟的持續投入，而非基於終端用戶對分散式儲存的真實需求。儘管專案仍在持續迭代，但目前階段，Filecoin 的生態建置更符合「礦幣邏輯」而非「應用驅動」的儲存專案定義。
Arweave: 成於長期主義, 敗於長期主義
如果說Filecoin 的設計目標是建立一個可激勵、可證明的去中心化「資料雲」殼子，那麼Arweave 則在儲存的另一個方向走向極端：為資料提供永久性儲存的能力。 Arweave 並不試圖建立一個分散式運算平台，它的整個系統圍繞著一個核心假設展開——重要的資料應該被一次性存儲，並永遠留存於網路中。這種極端的長期主義，使得Arweave 從機製到激勵模型、從硬體需求到敘事角度都與Filecoin 大相逕庭。
Arweave 以比特幣作為學習對象, 試圖在以年為計的長週期裡不斷優化自身的永久存儲網絡. Arweave 不在乎市場營銷, 也不在乎競爭對手和市場的發展趨勢. 它只是在迭代網絡架構的路上不斷前行, 即使無人問津也不在意, 因為這就是 Arweave 開發團隊的本質本質上同樣受到長期追捧。即使跌入谷底, Arweave 還可能撐過幾輪牛熊. 只是未來的去中心化存儲有沒有 Arweave 的一席之地呢? 永久存儲的存在價值只能通過時間來證明.
Arweave 主網從 1.5 版本開始到最近的 2.9 版本, 儘管僅僅已經失去市場討論, 但一直在致力於讓更廣範圍的礦工以最小的成本參與網絡, 並激勵礦工最大限度的存儲數據, 讓整個網絡的健壯性不斷提升. Arweave 在深知自己不符合市場偏好的情況下的保守路線, 不擁抱網絡、社會化成本不斷降低硬體門檻.
1.5-2.9 的升級之路回顧
Arweave 1.5 版本暴露礦工可依賴GPU 堆疊而非真實儲存來優化出塊幾率的漏洞。為遏制此趨勢， 1.7 版本引入RandomX 演算法，限制使用專業化算力，轉而要求通用CPU 參與挖礦，從而削弱算力中心化。
在2.0 版本，Arweave 採用SPoA，將資料證明轉為默克爾樹結構的簡潔路徑，並引入格式2 交易減少同步負擔。這項架構緩解了網路頻寬壓力，使節點協同能力顯著增強。然而，部分礦工仍可透過集中式高速儲存池策略迴避真實資料持有責任。
為修正該偏向， 2.4 推出SPoRA 機制，引入全局索引與慢哈希隨機訪問，使礦工必須真實持有數據塊以參與有效出塊，從機制上削弱算力堆疊效果。結果是，礦工開始關注儲存存取速度，帶動SSD 與高速讀寫設備應用。 2.6 引入哈希鏈控制出塊節奏，平衡了高性能設備的邊際效益，為中小礦工提供公平參與空間。
後續版本進一步強化網路協作能力與儲存多樣性： 2.7 增加協作式挖礦與礦池機制，提升小礦工競爭力；2.8 推出複合打包機制，允許大容量低速設備靈活參與；2.9 則以replica_ 2 _ 9 格式引入新型閉環包裝流程，大幅提升效率並降低運算依賴，完成資料導向挖礦模型的閉環。
整體來看，Arweave 升級路徑清晰呈現其以儲存為導向的長期策略：在不斷抵抗算力集中趨勢的同時，持續降低參與門檻,保證協議長期運行的可能性。
Walrus: 擁抱熱數據是炒作還是內藏乾坤?
Walrus 從設計思路上來說, 和 Filecoin 與 Arweave 完全不同. Filecoin 的出發點是,打造一套去中心化可驗證的存儲系統, 代價是冷數據存儲; Arweave 的出發點是打造一個可以永久存儲數據的鏈上亞歷山大圖書館, 代價是場景太少; Walrus 的出發點是優化存儲開銷的數據存儲協議.
魔改糾刪碼：成本創新還是新瓶裝舊酒？
在儲存成本設計方面，Walrus 認為 Filecoin 與 Arweave 的儲存開銷是不合理的,後二者均採用了完全複製架構，其主要優勢在於每個節點都持有完整副本，具備較強的容錯能力與節點間的獨立性。這類架構能保障即使部分節點離線，網路仍具備資料可用性。然而，這也意味著系統需要多副本冗餘以維持穩健性，進而推高儲存成本。尤其在Arweave 的設計中，共識機製本身即鼓勵節點冗餘存儲，以增強資料安全性。相較之下，Filecoin 在成本控制上更具彈性，但代價是部分低成本儲存可能存在更高的資料遺失風險。 Walrus 試圖在兩者之間尋找平衡，其機制在控制複製成本的同時，透過結構化冗餘方式來增強可用性，從而在資料可得性與成本效率之間建立新的折中路徑。
Walrus 自創的 Redstuff 是降低節點冗餘的關鍵技術, 它來自 Reed-Solomon（RS）編碼. RS 編碼是一種非常傳統的糾刪碼演算法, 糾刪碼是一種允許透過添加冗餘片段(erasure code)將資料集加倍的技術,可用於重建原始資料。從CD-ROM 到衛星通訊再到二維碼,它在日常生活中被頻繁使用。
糾刪碼允許使用者取得一個區塊,例如1 MB 大,然後將其「放大」到2 MB 大,其中額外的1 MB 是稱為糾刪碼的特殊資料。 如果區塊中的任何位元組遺失,使用者可以透過程式碼輕鬆恢復這些位元組。 即使多達1 MB 的區塊遺失,您也可以恢復整個區塊。相同的技術可以讓電腦讀取CD-ROM 中的所有資料,即使它已受損。
目前最常用的是 RS 編碼。實現方式是,從k 個資訊區塊開始,構造相關的多項式,並在不同的x 座標處對其進行評估,以獲得編碼區塊。使用RS 糾刪碼,隨機取樣遺失大塊資料的可能性非常小。
舉例說明：將一個檔案分成6 個資料塊和4 個校驗區塊，共10 份。只要任意保留其中6 份，就能完整恢復原始資料。
優點：容錯能力強，廣泛應用於CD/DVD、防故障硬碟陣列（RAID）、以及雲端儲存系統（如Azure Storage、Facebook F 4）。
缺點：解碼計算複雜，開銷較高；不適合頻繁變動的資料場景。因此通常用於鏈下集中化環境中的資料恢復與調度。
在去中心化架構下，Storj 和Sia 對傳統RS 編碼進行了調整以適應分散式網路的實際需求。 Walrus 也在此基礎上提出了自己的變種—— RedStuff 編碼演算法，以實現更低成本、更靈活的冗餘儲存機制。
Redstuff 的最大特點是什麼? **透過改進糾刪編碼演算法，Walrus 能夠快速且穩健地將非結構化資料區塊編碼成較小的分片，這些分片會分佈儲存在一個儲存節點網路中。即使多達三分之二的分片遺失，也可以使用部分分片快速重構原始資料塊。 **這在維持複製因子僅4 倍至5 倍的情況下成為可能。
因此, 將 Walrus 定義為一個圍繞去中心化場景重新設計的輕量級冗餘與恢復協定是合理的。相較傳統糾刪碼（如Reed-Solomon），RedStuff 不再追求嚴格的數學一致性，而是針對資料分佈、儲存驗證和運算成本進行了現實主義的權衡。這種模式放棄了集中式調度所需的即時解碼機制，改為透過鏈上Proof 驗證節點是否存有特定資料副本，從而適應更動態、邊緣化的網路結構。
RedStuff 的設計核心，是將數據拆分為主切片和次切片兩類：主切片用於恢復原始數據，其生成和分佈受嚴格約束，恢復門檻為f+ 1 ，且需2 f+ 1 的簽名作為可用性背書；次切片則通過異或組合等簡單運算方式生成，作用是提供彈性錯，提升整體系統魯棒性。這種結構本質上降低了對數據一致性的要求——允許不同節點短暫地儲存不同版本數據，強調「最終一致性」的實踐路徑。雖然與Arweave 等系統中對回溯塊的寬鬆要求相似，在降低網路負擔方面取得了一定效果，但同時也弱化了資料即時可用性與完整性保障。
不可忽視的是，RedStuff 雖然實現了低算力、低頻寬環境下的有效存儲，但本質仍屬於糾刪碼系統的一種「變體」。它犧牲一部分資料讀取確定性，以換取去中心化環境下的成本控制與擴展性。但在應用層面，這種架構能否支撐起大規模、高頻互動的資料場景仍有待觀察。更進一步，RedStuff 並未真正突破糾刪碼長期存在的編碼計算瓶頸，而是透過結構策略避開了傳統架構的高耦合點，其創新性更多體現在工程側的組合優化，而非基礎演算法層面的顛覆。
因此，RedStuff 更像是針對當前去中心化儲存現實環境所做的一次「合理改裝」。它確實帶來了冗餘成本與運行負載上的改進，使得邊緣設備與非高效能節點可以參與資料儲存任務。但在大規模應用、通用運算適配與一致性要求較高的業務場景中，其能力邊界仍較為明顯。這使得Walrus 的創新更像是對既有技術體系的適應性改造，而非推動去中心化儲存範式遷移的決定性突破。
Sui 與Walrus：高效能公鏈能帶動儲存實用化嗎？
從 Walrus 的官方研究文章中可以看到它的目標場景: “Walrus 的設計初衷是為存儲大型二進製文件（Blobs）提供解決方案，而這些Blobs 正是許多去中心化應用的命脈。”
所謂大型blob 數據，通常指體積較大、結構不固定的二進位對象，如視訊、音訊、影像、模型檔案或軟體包等。
在加密語境中，它更指涉NFT、社群媒體內容中的圖像與影片。這也構成了Walrus 的主要應用方向。
雖然文中也提到了AI 模型資料集儲存和資料可用性層（DA）的潛在用途，但Web3 AI 的階段性退潮已經讓相關專案所剩無幾，未來真正採納Walrus 的協定數量可能非常有限。
而在DA 層方向，Walrus 是否能作為有效替代者，還需等待Celestia 等主流項目重新引發市場關注後才能驗證其可行性。
因此，可以將Walrus 的核心定位理解為服務NFT 等內容資產的熱儲存系統，強調動態呼叫、即時更新與版本管理能力。
這也解釋了Walrus 為什麼需要依賴Sui：借助Sui 的高性能鏈能力，Walrus 能夠構建高速的數據檢索網絡，在不自行開發高性能公鏈的前提下，顯著降低運營成本，從而避免與傳統雲存儲服務在單位成本上的正面競爭。
根據官方數據，Walrus 的儲存成本約為傳統雲端服務的五分之一，儘管相較Filecoin 與Arweave 顯得昂貴數十倍，但其目標並非追求極低成本，而是建構一個可用於真實業務場景的去中心化熱儲存系統。 Walrus 本身則以一個PoS 網路運行，核心職責是驗證儲存節點的誠實性，為整個系統提供最基本的安全保障。
至於Sui 是否真正需要Walrus，目前更多仍停留在生態敘事的層次。 **若僅以金融結算為主要用途，Sui 並不迫切需要鏈下儲存支援。 **然而，若其未來希望承載AI 應用、內容資產化、可組合Agent 等更複雜的鏈上場景，則儲存層在提供情境、上下文與索引能力方面將不可或缺。高效能鏈可以處理複雜的狀態模型，但這些狀態需要與可驗證資料綁定，才能建立可信賴的內容網路。
Shelby:專用光纖網路徹底釋放Web3 應用場景
在目前Web3 應用面臨的最大技術瓶頸中，「讀取效能」始終是一塊難以突破的短板。
無論是視訊串流媒體、RAG 系統、即時協作工具，還是AI 模型推理引擎，都依賴低延遲、高吞吐的熱數據存取能力。去中心化儲存協定（從 Arweave、Filecoin 到 Walrus）雖然在資料持久性和去信任性方面取得進展，但因其運作在公共網路之上，始終無法擺脫高延遲、頻寬不穩定和資料調度不可控的限制。
Shelby 試圖從根源解決這個問題.
首先，Paid Reads 機制直接重塑了去中心化儲存中的「讀取操作」困境。在傳統系統中，讀取資料幾乎是免費的，缺乏有效的激勵機制導致服務節點普遍懶於回應、偷工減料，造成實際使用者體驗遠遠落後於Web2。
Shelby 透過引入按讀取量付費的模型，將使用者體驗與服務節點收入直接掛鉤：節點越快、越穩定地返回數據，就能獲得更多回報。
這種模式不是“附帶的經濟設計”，而是Shelby 性能設計的核心邏輯—— 沒有激勵，就沒有可靠的性能；有了激勵，才有服務質量的可持續提升。
其次，Shelby 提出的最大技術突破之一，正是專用光纖網路(Dedicated Fiber Network)的引入，相當於為Web3熱數據的即時讀取建造了一個高鐵網路。
這項架構徹底繞過了Web3 系統普遍依賴的公共傳輸層，將儲存節點與RPC 節點直接部署在一條高效能、低擁塞、物理隔離的傳輸骨幹。這不僅顯著降低了跨節點通訊的延遲，還確保了傳輸頻寬的可預期性和穩定性。 Shelby 的底層網路結構，更接近AWS 內部資料中心之間的專線部署模式，而非其他Web3 協定的「上傳到某個礦工節點」邏輯。
來源: Shelby 白皮書
這種網路層面的架構反轉，使得Shelby 成為首個在真正意義上有能力承載Web2 層級使用體驗的去中心化熱儲存協定。使用者在Shelby 上讀取一個4 K 影片、呼叫一個大型語言模型的embedding 數據，或回溯某個交易日誌，不再需要忍受冷數據系統普遍存在的秒級延遲，而是可以獲得亞秒級回應。而對於服務節點而言，專用網路不僅提升了服務效率，還大大降低了頻寬成本，使「按讀取量付費」的機制具有真正的經濟可行性，從而激勵系統朝著更高性能而非更高存儲量演進。
可以說，專用光纖網路的引進，才是Shelby 能夠「看起來像AWS，骨子裡是Web3」的關鍵支撐。它不僅打破了去中心化與效能之間的天然對立，也為Web3 應用在高頻讀取、高頻寬調度、低成本邊緣存取等方面開啟了真實落地的可能性。
除此之外, 在資料持久性與成本之間，Shelby 採用了Clay Codes 構建的 Efficient Coding Scheme，透過數學上的MSR 與MDS 最優編碼結構，實現了低至<2 x 的存儲冗餘，同時仍保持11 個9 的持久性與99.9% 的可用性。在多數Web3 儲存協定仍停留在5 x~ 15 x 冗餘率的今天，Shelby 不僅技術上更有效率，成本上也更具競爭力。這也意味著，對於真正重視成本優化和資源調度的dApp 開發者，Shelby 提供的是一個「既便宜又快」的現實選項。
總結
縱觀Filecoin、Arweave、Walrus 到Shelby 的演進路線，我們可以清楚地看到：**去中心化存儲的敘事，已經從“存在即合理”的技術烏托邦，逐步走向“可用即正義”的現實主義路線。 **早期的Filecoin 用經濟激勵驅動了硬體參與，但真實的用戶需求長期被邊緣化；Arweave 選擇了極端的永久存儲，卻在應用生態沉寂中顯得愈發孤島；Walrus 嘗試在成本與性能之間找到新平衡，但在落地場景與激勵機制的構建上仍留有疑問。直到Shelby 出現，去中心化儲存才第一次對「Web2 級可用性」提出了系統性的回應——從傳輸層的專用光纖網絡，到計算層的高效糾刪碼設計，再到激勵機制的按讀取付費，這些原本專屬於中心化雲平台的能力，開始在Web3 世界中重構。
Shelby 的出現並不意味著問題終結。它也未解決所有挑戰：開發者生態、權限管理、終端存取等問題仍在前方。但它的意義在於，為去中心化儲存產業開闢了一條「效能不妥協」的可能路徑，打破了「要麼抗審查，要麼好用」的二元悖論。
去中心化儲存的普及之路，終將不只是靠概念熱度或代幣炒作維系，而必須走向「可用、可整合、可持續」的應用驅動階段。在這階段，誰能率先解決使用者真實痛點，誰就能重塑下一輪基礎設施敘事的格局。從礦幣邏輯到使用邏輯，Shelby 的突破，也許標誌著一個時代的結束——更是另一個時代的開始。
關於 Movemaker
Movemaker 是由 Aptos 基金會授權，經 Ankaa 和 BlockBooster 共同發起的首個官方社區組織，專注於推動 Aptos 華語區生態的建設與發展。身為 Aptos 在華語區的官方代表，Movemaker 致力於透過連結開發者、使用者、資本及眾多生態合作夥伴，打造一個多元、開放、繁榮的Aptos 生態系統。
免責聲明：
本文/部落格僅供參考，代表作者的個人觀點，並不代表 Movemaker 的立場。本文無意提供：(i) 投資建議或投資推薦；(ii) 購買、出售或持有數位資產的要約或招攬；或(iii) 財務、會計、法律或稅務建議。持有數位資產，包括穩定幣和 NFT，風險極高，價格波動較大，甚至可能變得一文不值。您應根據自身的財務狀況，仔細考慮交易或持有數位資產是否適合您。如有具體情況方面的問題，請諮詢您的法律、稅務或投資顧問。本文提供的資訊（包括市場數據和統計信息，若有）僅供一般參考。在編寫這些數據和圖表時已盡合理注意，但對其中所表達的任何事實性錯誤或遺漏概不負責。
