撰文：Hedy Bi，OKG Research

香港 Web3 嘉年华已告一段落，然而 Web3 自由的脉搏还在跳动，并不断向其他行业渗透。和上一轮周期相比，本轮牛市开启的逻辑是由「原生创新叙事」转变成「主流认可，资金驱动」的模式。笔者所观察到的 Web3 发展阶段也从一个「封闭且小众的绝对自由」，演变到了「真正包容下的相对自由」阶段。

在这样的逻辑下再不跳出盒子去分析，守株待兔原生创新叙事已无法适应 Web3 当下的发展。自整个 Web3 拥抱合规开始，Web3 已经在港府的不断推动下，重新聚焦金融领域。主流金融机构也通过 RWA、现货 ETF 加速参与 Web3。

此次大会，除了主流金融机构进入 Web3，我们也看到了一个可以连接 Web2 和 Web3 的机会—— DePIN 赛道。尤其是 AI 大模型发展的推动，让 DePIN 中的子赛道 - 算力的重新分配再次成为热门关注。

来源：OKG Research

「区块链是通过技术建立信任，而 AI 又是一个极度需要信任的行业。」Dragonfly Capital 的管理合伙人 Haseed Qureshi 在大会如是说。

DePIN 并不是一个新赛道，早在几年前就已经提出。正是 AI 大模型爆发，业界对于算力和数据开展了大量的讨论，据测算，大模型计算的成本每年增加 31 倍。全球 GPU 短缺，英伟达这样的公司处于目前市场需求的食物链顶端具有极大的定价权。垄断还是去中心化，有关于成本之辩成了 Web3 DePIN 赛道再次热议的原因。

虽然 AI 大模型训练是起因，但罗马非一日建成，AI 大模型训练并不是目前 DePIN 最好的落地场景。AI 大模型生产对算力的要求主要围绕 2 个方面：推理和训练。在训练环节，通过投喂大量的数据，训练出一个复杂的神经网络模型。在推理环节，利用训练好的模型，使用大量数据推理出各种结论。

来源：NVIDIA

去中心化与算力的结合，难度系数从训练到微调训练再到推理是逐层递减的。在 DePIN 中，可以看到行业上更多的项目是集中在推理而非训练的。大部分企业的 AI 训练采用的英伟达 GPU 集群主要原因是其拥有自身强悍的并行计算能力以及内存带宽。相对于推理环节，对于并行计算能力和带宽的要求降低很多。并且大模型训练对于稳定性更为看重，因为一旦训练中断，是需要重新进行训练的。若在以太坊上构建一个去中心化算力应用供 GPT 使用，仅单个矩阵乘法运算将消耗 Gas 费高达 100 亿美元并且需要 1 个月之久。

此外，笔者分析了此次大会中比较热门的几个项目现状，呈现供给端超过需求端的一个态势，即分布在全球的算力供给超过 AI 模型训练或者推理任务的 AI 开发者需求。并不是说需求不存在，OpenAI 的创始人 Sam Altman 提出了要募集 7 万亿美金，构建一个超过目前台积电 10 倍规模的先进芯片厂和用于芯片的生产和模型训练。斯坦福大学研究也表明，不论哪个语言模型，当训练参数规模超过那个规模的临界值后，其表现（比如准确性）就急剧提升。这与「大力出奇迹」的规律截然相反，也意味着现实情况下，去中心化算力的设想还有很多难题去解决。