高盛的基准预测为 76 万亿美元的人工智能（AI）资本开支最终取决于 AI 专用芯片还能发挥多长时间的效用。去中心化网络承诺在成本方面实现显著效率，但仍在与延迟问题持续较量，且专家认为，其长期可行性将取决于优先考虑可验证性，而非单纯追求原始性能。
近期一份高盛报告将争论的重点从“是否存在人工智能（AI）需求”转向“哪些供给端因素将决定实际的建设成本”。该报告以基准方式测算 AI 的资本开支将达到 76 万亿美元，但强调该数字对“摆动变量”高度敏感，包括 AI 芯片的可用寿命。
这种“长寿命”被视为最关键的因素，因为快速创新可能使通常可持续 4 到 6 年的标准芯片在 3 年内变得过时，从而导致成本飙升。相反，如果采用“分层模型”，将更老的芯片复用到更简单的任务上（如推理），则可能稳定成本。
数据中心的复杂程度以及算力需求弹性是影响未来 5 年内 AI 基础设施支出规模的其他变量。电力网容量的短缺、专业劳动力以及电气设备的匮乏，也被认为是拉长建设周期的因素。
与此同时，另一份报告则将这种惊人的基础设施支出表述为一个新兴“机器经济”的基石。在这一范式中，AI 代理成为主要的经济参与者，独立执行高频交易并进行资源分配。该报告作者认为，以缓慢的结算周期和僵化的了解你的客户（KYC）框架为特征的传统金融系统，根本无法胜任代理式商业的交易速度。
因此，它将加密以及去中心化协议定位为促成这一转变所必需的、无需许可的“经济通道”。然而，怀疑者仍保持警惕，质疑去中心化的物理基础设施网络（DePINs）能否真正缓解 AI 日益膨胀的资本需求。
StealthEX 的增长负责人 Vadim Taszycki 指出，尽管去中心化网络可以带来显著的成本节省，但它们受到物理层面的限制。比如，像 Akash 这样的去中心化提供商可能以每小时 1.48 美元的价格租用一张 H100 GPU，而在 Amazon Web Services 上是每小时 12.30 美元，但代价是速度。
“Taszycki 说：“大型云服务商可以做[快速工作]，因为它们的 GPU 位于同一栋建筑里，由特殊电缆连接，这些电缆能以微秒级速度传输数据。”他解释称，去中心化网络会通过公共互联网把不同国家的 GPU 拼接起来，从而增加数毫秒的延迟。该延迟使得去中心化的编排在批处理任务和微调方面具有竞争力，但不适合服务高规模的实时聊天机器人——因为用户体验依赖于近乎即时的响应。
Cysic 的创始人 Leo Fan 也表达了类似看法，他坚持认为去中心化推理不适用于低延迟工作负载。但 Fan 认为，用延迟来作为对比去中心化平台与像 AWS 这样的超大规模服务器（hyperscalers）的指标是错误的。
“Fan 说：“难题不在于分布式算力，而在于发现、调度与证明。楔子（wedge）不在于每个 token 的价格；关键在于可验证性。”他指出，可信执行环境（TEEs）以及零知识（ZK）证明使得去中心化网络能够在那些更重视“可验证性与信任”的领域竞争，而不是更看重‘尾部延迟（tail latency）’。”
除了算力之外，关注点正转向这些资本密集型项目如何获得融资。尽管传统的私募信贷拥有充足资本，但往往忽视较小规模或非标准的交易。链上信贷带来独特优势，例如允许零售投资者参与先前仅限于机构有限合伙人才能获得的数据中心收入。此外，像 Maple 和 Centrifuge 这样的平台可以把贷款进行银团化，规模在 500 万美元到 5,000 万美元之间——而这种区间常常被像 Apollo 这样的公司忽略，因为相对于费用而言，高额承销成本。
最后，链上信贷还能实现新的“按次推理付费”模式，收入会随 GPU 使用量波动。这类模式比起僵化的 20 年传统租约，更适合嵌入代币化的收入分成结构。
尽管存在这种潜力，专家仍指出有 4 个“门槛”阻碍机构采纳：破产法庭中的法律可执行性；用于为契约提供服务的缺乏防篡改预言机基础设施；面向十亿美元级别分期的监管不确定性；以及税务与会计产品未实现标准化。
共识认为，12 到 24 个月内，中等规模的银团交易可能在链上获得可观的市场关注度；占主导的链上夹层债务很可能还要再过 3 到 5 年。最早的突破也更可能来自 2 级运营商，而不是像 Coreweave 这样的行业领跑者。
相关快讯
