一家公司通过中介购买高级AI模型的使用权，可能知道发票上显示的内容，但无法独立验证API调用背后发生了什么。请求可能到达广告中的模型，在需求高峰期可能被路由到更便宜的替代品，或者在响应到达客户之前经过额外的处理层。从外部看，每条路径看起来都可能相同。
这种安排造成了异常的信息鸿沟。销售服务的平台也控制着大部分证明服务如何交付的证据。客户必须验证哪个模型处理了请求，返回的输出是否与模型的原始响应一致，以及延迟、稳定性和输出质量是否达到他们支付的水平。
对于围绕特定模型行为构建客户支持、财务分析或其他敏感工作流的企业来说，路由变化可能变得具有重大运营影响。OpenAI的API文档警告，模型快照之间的提示行为可能发生变化，并建议固定版本以保持一致性。去年，OpenAI在用户遇到明显更谄媚的行为后回滚了GPT-4o更新，这表明有意义的更改可能逃过发布前评估。
验证只解决了模型访问通过中介时引入的部分依赖。简化访问的同一抽象层也可能使中介更难被替换。
便利层可能成为控制层
这种依赖始于一个合理的工程问题。模型提供商暴露不同的API、认证方法、计费系统、速率限制和部署要求。聚合器通过为开发者提供一个接口来访问多个模型，从而减少了这种碎片化，通常无需在底层提供商更改时重建应用程序。
便利性也转移了市场力量的积累点。在其2025年云市场调查中，英国CMA指出，Amazon Bedrock让客户访问多个基础模型，但在切换到或从OpenAI等竞争服务切换时仍需要代码更改。一旦路由、监控、计费和内部工作流围绕一个聚合层构建，迁移可能成为基础设施项目，而不是模型交换。
后果超出了工程开销。客户可能失去谈判筹码，面临中介中断或政策变化的更大风险，并在测试新发布或高度专业化的模型时遇到额外摩擦。较小的模型开发者从供应方面面临同样的结构。当少数市场控制发现、定价规则和客户访问时，强大的技术性能并不能保证分销。
开放模型供应为这种集中提供了潜在的对冲，同时创造了更难的验证问题。一个几乎任何人都可以声称提供模型访问的市场需要一种可信的方式来确定每个提供商实际提供的内容。
开放市场需要裁判
DGrid正试图通过将通常捆绑在单一平台中的功能分离来解决这个问题。其架构结合了200多个模型的通用访问层、独立的评估系统以及一个开放市场，提供商可以在其中提供模型访问并结算付款。
网关处理常见的聚合功能，包括一个API密钥、统一计费、跨提供商的路由和故障转移。DGrid更不寻常的组件是质量证明。参与节点定期接收盲测提示，并根据输出质量、延迟、稳定性和格式合规性对其响应进行评估。评分进入链上声誉系统，该系统可能影响奖励和惩罚。
这种方法得到了学术研究的支持。DGrid的团队，包括来自石溪大学的联合创始人，在启动网络之前已经发表了五篇关于质量证明的同行评审论文，涉及验证设计、成本效率和抗攻击性。这一基础使DGrid区别于那些先发布代码然后在博客文章中解释机制的项目。
这种方法将外部问责引入了服务声明难以审计的市场。然而，AI性能比金融交易更难验证。相同的提示可能产生不同的输出，质量在很大程度上取决于任务，每个基准都反映了其设计用于测试的条件。在评估中表现良好的节点在生产流量或专门工作负载下可能表现不同。
因此，提供商验证是一个持续的测量问题，而不是二元证明。只有当买家对谁在出售访问权以及每个供应商的表现有多可靠有可信的信号时，开放市场才能减少把关。
当任何人都可以出售智能时会发生什么？
DGrid将同样的逻辑扩展到供应方。模型和计算提供商可以在市场上列出服务，设定自己的价格，并通过智能合约结算获得收入，而不是完全依赖中心化平台来确定访问和商业条款。原则上，专门化和微调的模型获得了另一条通往客户的途径，同时支付流变得更加透明。
开放参与也将更多责任转移到市场质量控制上。Hugging Face在2024年重建了其开放LLM排行榜，因为早期的基准已经饱和，一些较新的模型显示出污染的迹象，GSM8K和TruthfulQA出现在指令调整集中。这一事件说明了任何开放评估系统面临的激励问题。供应商可以优化可见测试，而生产质量与排行榜表现脱节。
DGrid还利用人类偏好数据。其AI竞技场中超过50万名参与者匿名比较模型响应，产生可以为评估和路由决策提供信息的反馈。人类比较可以揭示自动化基准遗漏的质量，尽管由此产生的信号仍然取决于所涉及的提示、参与者和评估标准。
一个功能完善的市场需要开放的列表、技术结算和足够的商业活动来支持实体经济。买家、供应商和经常性交易必须为评估系统提供具有经济意义的衡量对象。
困难的部分在产品工作之后才开始
去中心化AI网络DGrid带着现有的商业基础进入这一测试。该公司报告称，2026年上半年收入为2300万美元，付费用户超过15000人，种子资金为500万美元。这些数字使DGrid区别于许多以代币激励开始并随后寻找持久需求的加密AI网络。
DGrid遵循了相反的顺序。该公司首先构建了一个客户已经在使用的中心化服务，然后开始将访问、评估和结算的部分转移到去中心化网络。这一顺序可能会降低早期阶段的风险，通过在测试链上经济能否维持服务之前证明客户愿意为底层产品付费。
更难的问题涉及从现有业务向网络活动的转化。一个集中式客户为API访问付费，并不会自动成为去中心化市场中的活跃参与者。同样，50万人免费比较模型与1.5万商业用户所代表的需求形式不同。网络流动性取决于经常性的推理量、活跃的供应商以及不严重依赖激励而持续进行的交易。
收入证明了产品需求，但不能确立对底层网络架构的需求。一旦代币进入系统，这种区别变得尤为重要，因为代币的经济角色取决于真实的人工智能消费能否产生激励原本必须制造的活动。
代币能否成为基础设施而非激励？
代币的作用不仅限于融资。在DGrid提议的网络经济中，节点运营商质押代币作为抵押品，用户可以花费代币购买人工智能服务，提供商获得奖励，持有者参与治理。每个功能都旨在将资产与网络内的运营活动联系起来，而不仅仅是交易。
持久需求提供了更严格的考验。因为客户需要推理、提供商需要抵押品而使用的代币，其经济基础与主要由吸引早期参与者的奖励驱动的代币不同。在网络增长阶段，有机使用和补贴参与很容易共存，模糊了这一区别。
供应设计提高了风险。代币分配的一半指定给节点，分配跨越了漫长的排放时间表。激励可以帮助引导基础设施，同时也使得确定供应商在奖励减少或市场条件变化后是否继续提供容量变得更加困难。
当效用追踪生产性网络活动（包括购买的推理、工作节点承诺的抵押品以及对市场决策行使的治理）时，代币在经济上变得有意义。没有这种联系，去中心化可能会给服务增加一个金融层，而客户无需该层即可访问类似功能。
基准是没有区块链的信任
竞争基准远远超出了去中心化人工智能网络。像OpenAI和Anthropic这样的模型公司开发专有系统，计算网络提供基础设施，聚合平台通过通用接口使多个模型更易于访问。DGrid试图将聚合与开放供应、外部质量评估和链上结算结合起来。
当这些额外层解决了中心化平台未解决的问题时，它们就很重要。开放参与可以扩大供应商池。声誉数据可能为客户提供关于提供商表现的更强证据，而共享访问基础设施可以降低在模型之间切换的工程成本。与此同时，中心化聚合商已经在便利性、可靠性和访问广度方面积极竞争，而无需客户与区块链基础设施交互。
因此，买家成为决定性的考验。更低的切换成本、更广泛的模型选择、可审计的服务质量和更具竞争力的价格，都将为接受更大的架构复杂性提供可衡量的理由。如果没有这些收益，区块链结算主要作为一种实现选择，而不是客户优势。
DGrid最强的基准是用户已经从中心化服务中获得的信任和便利。证明去中心化替代方案表现更好，需要网络在真实商业需求下行为的证据，特别是在激励承担较少负担的情况下。
什么能证明模型有效？
三种形式的证据将提供最清晰的测试。首先是商业需求。推理量应该增长，因为客户选择DGrid是出于其经济性、模型访问或验证功能，持续使用将显示网络活动能否在获取早期用户的成本上升时存活。
供应商多样性提供了第二个衡量标准。当独立提供商、专业模型和微调系统获得在其他地方难以获得的发行渠道时，开放市场变得更有意义。如果大多数活动继续集中在已经通过成熟聚合商可用的模型上，市场可能会扩大结算，而不会实质性地扩大供应。
代币活动提供了第三个测试。用于推理的支付、生产节点的质押以及治理参与将把代币使用与网络运营联系起来。主要由发行驱动的投机交易和参与将表明资产与底层AI需求之间的关系较弱。
AI聚合已经使模型访问变得更加容易。DGrid正在测试这种便利性是否能与开放的供应和独立可观察的性能共存，而不会在堆栈的其他地方重现相同的信任依赖。答案将从客户行为、供应商参与以及DGrid大规模运营后的网络经济中显现出来。
