一家公司透過中介購買高級AI模型的使用權，可能知道發票上顯示的內容，但卻沒有獨立的方式來驗證API呼叫背後實際發生的事情。請求可能到達廣告中的模型，在需求高峰時可能被路由到更便宜的替代方案，或者在回應到達客戶之前經過額外的處理層。從外部看，每條路徑看起來可能完全相同。
這種安排造成了異常的資訊鴻溝。銷售服務的平台也控制了大部分顯示服務如何交付的證據。客戶必須驗證哪個模型處理了請求、返回的輸出是否與模型的原始回應相符，以及延遲、穩定性和輸出品質是否達到他們付費的水平。
對於圍繞特定模型行為建構客戶支援、財務分析或其他敏感工作流程的企業來說，路由變更可能具有重大的營運影響。OpenAI的API文件警告，提示行為可能在模型快照之間發生變化，並建議固定版本以保持一致性。去年，OpenAI回滾了GPT-4o的更新，因為用戶遇到了明顯更諂媚的行為，顯示出有意義的變化可能逃過發布前的評估。
驗證僅解決了當模型存取通過中介時所引入的部分依賴。簡化存取的同一抽象層也可能使中介更難被取代。
便利層可能成為控制層
這種依賴始於一個合理的工程問題。模型提供者暴露不同的API、認證方法、計費系統、速率限制和部署要求。聚合器透過為開發者提供一個介面來存取多個模型，減少了這種碎片化，通常無需在底層提供者變更時重建應用程式。
便利性也改變了市場力量的累積位置。在其2025年雲端市場調查中，英國CMA指出，Amazon Bedrock讓客戶可以存取多個基礎模型，但要求在切換到或從OpenAI等競爭服務切換時進行程式碼變更。一旦路由、監控、計費和內部工作流程圍繞一個聚合層建構，遷移可能成為基礎設施專案，而不是模型交換。
後果超出了工程開銷。客戶可能失去談判籌碼，面臨中介停機或政策變更的更大風險，並在測試新發布或高度專業化的模型時遇到額外摩擦。較小的模型開發者從供應方面也面臨同樣的結構。當少數市場控制發現、定價規則和客戶存取時，強大的技術表現並不能保證分發。
開放模型供應可能為這種集中提供一個潛在的平衡力量，同時創造一個更困難的驗證問題。一個幾乎任何人都可以聲稱提供模型存取的市場，需要一種可信的方式來確定每個提供者實際交付了什麼。
開放市場需要裁判
DGrid 正試圖透過分離通常捆綁在單一平台中的功能來解決這個問題。其架構結合了超過 200 個模型的通用存取層、獨立的評估系統，以及供應商可以提供模型存取並結算付款的開放市場。
閘道處理熟悉的聚合功能，包括一個 API 金鑰、統一計費、跨供應商的路由和故障轉移。DGrid 更不尋常的組件是「品質證明」。參與節點定期接收盲測提示，並根據輸出品質、延遲、穩定性和格式合規性對其回應進行評估。分數會饋入鏈上信譽系統，該系統可能影響獎勵和處罰。
這種方法有學術研究支持。DGrid 的團隊（包括來自石溪大學的共同創辦人）在啟動網路之前，已發表了五篇關於「品質證明」的同行評審論文，涵蓋驗證設計、成本效率和抗攻擊性。這個基礎使 DGrid 有別於那些先發布程式碼、事後才在部落格文章中解釋機制的專案。
這種方法將外部問責制引入了一個服務聲明難以審計的市場。然而，AI 的效能比金融交易更難驗證。相同的提示可能產生不同的輸出，品質在很大程度上取決於任務，而且每個基準都反映了它被設計用來測試的條件。在評估中表現良好的節點，在生產流量或專業工作負載下可能表現不同。
因此，供應商驗證是一個持續的衡量問題，而不是二元證明。只有當買家對誰在銷售存取權以及每個供應商的表現有多可靠有可信的信號時，開放市場才能減少守門行為。
當任何人都可以銷售智慧時會發生什麼？
DGrid 將同樣的邏輯延伸到供應方。模型和運算供應商可以在市場上列出服務、設定自己的價格，並透過智慧合約結算獲得收入，而不是完全依賴中心化平台來決定存取權和商業條款。原則上，專業化和微調的模型獲得了另一條通往客戶的途徑，同時支付流程變得更加透明。
開放參與也將更多責任轉移到市場品質控制上。Hugging Face 在 2024 年重建了其 Open LLM Leaderboard，因為早期的基準已經飽和，一些較新的模型顯示出污染的跡象，而且 GSM8K 和 TruthfulQA 出現在指令調整集中。這一事件說明了任何開放評估系統都面臨的激勵問題。供應商可以最佳化可見的測試，而生產品質與排行榜表現背道而馳。
DGrid 也利用人類偏好資料。其 AI Arena 中超過 50 萬名參與者匿名比較模型回應，產生可為評估和路由決策提供資訊的回饋。人類比較可以揭露自動化基準遺漏的品質，儘管產生的信號仍然取決於所涉及的提示、參與者和評估標準。
一個運作良好的市場需要開放的清單、技術結算和足夠的商業活動來支持實體經濟。買家、供應商和經常性交易必須為評估系統提供具有經濟意義的衡量對象。
困難的部分在產品運作之後才開始
去中心化 AI 網路 DGrid 以現有的商業基礎進入這項考驗。該公司報告 2026 年上半年營收為 2300 萬美元，付費用戶超過 15,000 名，並獲得 500 萬美元的種子資金。這些數字使 DGrid 有別於許多以代幣激勵開始、之後才尋找持久需求的加密 AI 網路。
DGrid 遵循了相反的順序。該公司首先建立了一個客戶已經在使用的中心化服務，然後開始將存取、評估和結算的部分轉移到去中心化網路。這種順序可以降低早期風險，因為在測試鏈上經濟能否維持服務之前，先證明客戶願意為底層產品付費。
更困難的問題在於從現有業務轉向網路活動。集中式客戶付費使用 API 並不會自動成為去中心化市場中的活躍參與者。同樣地，50 萬人免費比較模型與 1.5 萬商業用戶所代表的需求形式不同。網路流動性取決於持續的推論量、活躍的供應商以及不嚴重依賴激勵措施而持續進行的交易。
營收證明產品需求，但無法確立底層網路架構的需求。一旦代幣進入系統，這種區別變得尤其重要，因為代幣的經濟角色取決於真實的 AI 消費能否產生激勵措施原本必須製造的活動。
代幣能否成為基礎設施而非激勵措施？
代幣的角色不僅限於融資。在 DGrid 提出的網路經濟中，節點營運商質押代幣作為抵押品，用戶可以用代幣支付 AI 服務，供應商獲得獎勵，持有者參與治理。每個功能都旨在將資產與網路內的營運活動連結起來，而非僅是交易。
持久需求提供了更嚴苛的考驗。因客戶需要推論、供應商需要抵押品而使用的代幣，其經濟基礎與主要由吸引早期參與者的獎勵所驅動的代幣不同。在網路的成長階段，有機使用與補貼參與很容易共存，並模糊了這種區別。
供應設計提高了風險。代幣分配的一半指定給節點，並在長期的排放時間表中分配。激勵措施有助於啟動基礎設施，同時也使得判斷供應商在獎勵減少或市場條件變化後是否繼續提供容量變得更加困難。
當代幣的效用追蹤生產性網路活動（包括購買的推論、工作節點承諾的抵押品以及對市場決策行使的治理）時，代幣就具有經濟意義。沒有這種連結，去中心化風險在於為客戶可以在沒有代幣的情況下獲得類似功能的服務增加一個金融層。
基準是沒有區塊鏈的信任
競爭基準遠不止去中心化 AI 網路。像 OpenAI 和 Anthropic 這樣的模型公司開發專有系統，計算網路提供基礎設施，聚合平台透過通用介面使多個模型更易於存取。DGrid 試圖將聚合與開放供應、外部品質評估和鏈上結算結合起來。
當這些額外層解決了中心化平台未解決的問題時，它們就很重要。開放參與可以擴大供應商池。聲譽數據可能為客戶提供更強的供應商績效證據，而共享的存取基礎設施可以降低在模型之間切換的工程成本。與此同時，中心化聚合器已經在便利性、可靠性和存取廣度上積極競爭，而無需客戶與區塊鏈基礎設施互動。
因此，買方成為決定性的考驗。更低的轉換成本、更廣泛的模型選擇、可審計的服務品質和更具競爭力的定價，都將為接受更大的架構複雜性提供可衡量的理由。如果沒有這些好處，區塊鏈結算主要作為一種實作選擇，而非客戶優勢。
DGrid 最強的基準是用戶已從中心化服務中獲得的信任和便利。證明去中心化替代方案表現更好，需要來自網路在真實商業需求下行為的證據，特別是在激勵措施承擔較少負擔時。
什麼能證明模型有效？
三種形式的證據將提供最清晰的考驗。首先是商業需求。推論量應該因為客戶選擇 DGrid 的經濟性、模型存取或驗證功能而成長，持續的使用顯示網路活動能否在獲取早期用戶的成本上升時存活。
供應商多樣性提供了第二個衡量標準。當獨立供應商、專業模型和微調系統獲得他們在其他地方難以獲得的通路時，開放市場變得更有意義。如果大部分活動繼續集中在已透過既有聚合器可用的模型上，市場可能擴大結算，但並未實質擴大供應。
代幣活動提供了第三項測試。用於推理的支付、生產性節點的質押以及治理參與，將把代幣的使用與網絡的運營聯繫起來。主要由發行驅動的投機性交易量和參與度，則表明資產與底層AI需求之間的關係較弱。
AI聚合已經使模型訪問變得更加容易。DGrid正在測試這種便利性是否能與開放的供應和可獨立觀察的性能共存，而不會在堆疊的其他部分重現相同的信任依賴。答案將在DGrid大規模運營後，從客戶行為、供應商參與和網絡經濟中顯現出來。
