撰文：Kevin, the Researcher at BlockBooster

TL；DR

• DeepSeek 的出现击碎算力护城河，开源模型引领的算力优化成为新方向；

• DeepSeek 利好行业上下游中的模型层与应用层，对基础设施中的算力协议产生消极影响；

• DeepSeek 的利好无意中戳破 Agent 赛道最后的泡沫，DeFAI 最有可能孕育新生；

• 项目融资的零和游戏有望迎来终结，社区发射 + 少量 VC 的新融资方式可能成为常态。

DeepSeek 引发的冲击会在今年对 AI 产业的上下游产生深远的影响，DeepSeek 成功让家用消费级显卡完成了原本大量高端 GPU 才能承担的大模型训练任务。围绕 AI 发展的第一护城河——算力，开始崩塌，当算法效率以每年 68% 的速度狂奔，而硬件性能遵循摩尔定律的线性爬升时，过去三年根深蒂固的估值模型不再适用，AI 的下一章，将由开源模型来开启。

尽管 Web3 的 AI 协议和 Web2 的完全不同，但也不可避免地承受 DeepSeek 的影响，这种影响会对 Web3 AI 上下游：基础设施层、中间件层、模型层和应用层，催生出全新的用例。

梳理上下游协议的协作关系

通过技术架构、功能定位和实际用例的分析，我将整个生态划分为：基础设施层、中间件层、模型层、应用层，并梳理其依赖关系：

基础设施层

基础设施层提供去中心化的底层资源（算力、存储、L1），其中算力协议有：Render、Akash、io.net 等；存储协议有：Arweave、Filecoin、Storj 等；L1 有：NEAR、Olas、Fetch.ai 等。

算力层协议支撑模型训练、推理和框架的运行；存储协议保存训练数据、模型参数和链上交互记录；L1 通过专门的节点优化数据传输效率，降低延迟。

中间件层

中间件层是连接基础设施与上层应用的桥梁，提供框架开发工具、数据服务和隐私保护，其中数据标注协议有:Grass、Masa、Vana 等；开发框架协议有：Eliza、ARC、Swarms 等；隐私计算协议有：Phala 等。

数据服务层为模型训练提供燃料，开发框架依赖基础设施层的算力和存储，隐私计算层保护数据在训练 / 推理中的安全性。

模型层

模型层用于模型开发、训练和分发，其中开源模型训练平台：Bittensor。

模型层依赖基础设施层的算力和中间件层的数据；模型通过开发框架部署到链上；模型市场将训练成果输送到应用层。

应用层

应用层是面向终端用户的 AI 产品，其中 Agent 包括：GOAT、AIXBT 等；DeFAI 协议有：Griffain、Buzz 等。

应用层调用模型层的预训练模型；依赖中间件层的隐私计算；复杂应用需要基础设施层的实时算力。

DeepSeek 可能对去中心化算力产生消极影响 #p#分页标题#e#

据抽样调查显示，约 70% 的 Web3 AI 项目实际调用 OpenAI 或中心化云平台，仅 15% 的项目使用去中心化 GPU（如 Bittensor 子网模型），剩余 15% 为混合架构（敏感数据本地处理，通用任务上云）。

去中心化算力协议的实际使用率远远低于预期，与其实际市值并不匹配。造成使用率低的原因有三点：Web2 开发者迁移至 Web3 时沿用原有工具链；去中心化 GPU 平台尚未实现价格优势；部分项目以「去中心化」为名规避数据合规审查，实际算力仍依赖中心化云。

AWS/GCP 占据 AI 算力 90%+ 的市场份额，与之相比 Akash 的等效算力仅为 AWS 的 0.2%。中心化云平台护城河有：集群管理、RDMA 高速网络、弹性扩缩容；去中心化云平台有上述技术的 web3 改良版本，但是无法完善的缺陷有，延迟问题：分布式节点通信延迟是中心化云的 6 倍；工具链割裂：PyTorch/TensorFlow 未原生支持去中心化调度。

DeepSeek 通过稀疏训练（Sparse Training）减少 50% 算力消耗，动态模型剪枝实现消费级 GPU 训练百亿参数模型。 市场对于短期内高端 GPU 的需求预期大幅下调，边缘计算的市场潜力被重新估值。如上图所示，DeepSeek 出现之前，行业内的巨大多数协议和应用都使用 AWS 等平台，只有极少数用例部署在去中心化 GPU 网络中，这类用例看中后者在消费级算力上的价格优势，并且不关注延迟的影响。

这种情况可能随着 DeepSeek 的出现进一步恶化。DeepSeek 释放了长尾开发者的限制，低成本高效的推理模型将以前所未有的速度普及，事实上，当下上述中心化云平台和不少国家都已经开始部署 DeepSeek，推理成本的大幅降