作者: Kevin, the Researcher at BlockBooster
TLDR：
DeepSeek的出現擊碎算力護城河，開源模型引領的算力優化成為新方向；
DeepSeek利好產業上下游中的模型層與應用層，對基礎設施中的算力協議產生負面影響；
DeepSeek的利好無意中戳破Agent賽道最後的泡沫，DeFAI最有可能孕育新生；
專案融資的零和遊戲有望迎來終結，社區發射+少量VC的新融資方式可能成為常態。
DeepSeek引發的衝擊會在今年對AI產業的上下游產生深遠的影響，DeepSeek成功讓家用消費級顯示卡完成了原本大量高端GPU才能承擔的大模型訓練任務。圍繞AI發展的第一護城河－算力，開始崩塌，當演算法效率以每年68%的速度狂奔，而硬體效能遵循摩爾定律的線性爬升時，過去三年根深蒂固的估值模型不再適用，AI的下一章，將由開源模型來開啟。
儘管Web3的AI協定和Web2的完全不同，但也不可避免地承受DeepSeek的影響，這種影響會對Web3 AI上下游：基礎設施層、中間件層、模型層和應用層，催生出全新的用例。
梳理上下游協議的協作關係
透過技術架構、功能定位和實際用例的分析，我將整個生態劃分為：基礎設施層、中間件層、模型層、應用層，並梳理其依賴：
基礎設施層
基礎設施層提供去中心化的底層資源（算力、儲存、L1），其中算力協定有：Render、Akash、io.net等；儲存協定有：Arweave、Filecoin、Storj等；L1有：NEAR、Olas、Fetch.ai等。
算力層協定支撐模型訓練、推理和框架的運作；儲存協定保存訓練資料、模型參數和鏈上交互記錄；L1透過專門的節點優化資料傳輸效率，降低延遲。
中介軟體層
中間件層是連接基礎設施與上層應用的橋樑，提供框架開發工具、資料服務和隱私保護，其中資料標註協定有:Grass、Masa、Vana等；開發框架協定有：Eliza、ARC、Swarms等；隱私計算協定有：Phala等。
資料服務層為模型訓練提供燃料，開發框架依賴基礎設施層的算力和存儲，隱私計算層保護資料在訓練/推理中的安全性。
模型層
模型層用於模型開發、訓練和分發，其中開源模型訓練平台：Bittensor。
模型層依賴基礎設施層的算力和中間件層的資料；模型透過開發框架部署到鏈上；模型市場將訓練成果輸送到應用層。
應用層
應用層是針對終端用戶的AI 產品，其中Agent包括：GOAT、AIXBT等；DeFAI協定有：Griffain、Buzz等。
應用層調用模型層的預訓練模型；依賴中間件層的隱私計算；複雜應用需要基礎設施層的即時算力。
DeepSeek可能對去中心化算力產生負面影響
根據抽樣調查顯示，約70%的Web3 AI專案實際呼叫OpenAI或中心化雲端平台，僅15%的專案使用去中心化GPU（如Bittensor子網路模型），剩餘15%為混合架構（敏感資料本地處理，通用任務上雲）。
去中心化算力協議的實際使用率遠低於預期，與其實際市值並不符。造成使用率低的原因有三點：Web2開發者遷移至Web3時沿用原有工具鏈；去中心化GPU平台尚未實現價格優勢；部分專案以「去中心化」為名規避資料合規審查，實際算力仍依賴中心化雲端。
AWS/GCP佔AI算力90%+的市場份額，與之相比Akash的等效算力僅為AWS的0.2%。中心化雲端平台護城河有：叢集管理、RDMA高速網路、彈性擴縮容；去中心化雲端平台有上述技術的web3改良版本，但是無法完善的缺陷有，延遲問題：分散式節點通訊延遲是中心化雲端的6倍；工具鏈割裂：PyTorch/TensorFlow未原生支援去中心化調度。
DeepSeek透過稀疏訓練（Sparse Training）減少50%算力消耗，動態模型剪枝實現消費級GPU訓練百億參數模型。 市場對於短期內高階GPU的需求預期大幅下調，邊緣運算的市場潛力被重新估值。如上圖所示，DeepSeek出現之前，產業內的巨大多數協定與應用都使用AWS等平台，只有極少數用例部署在去中心化GPU網路中，這類用例看中後者在消費級算力上的價格優勢，並且不關注延遲的影響。
這種情況可能隨著DeepSeek的出現進一步惡化。 DeepSeek釋放了長尾開發者的限制，低成本高效的推理模型將以前所未有的速度普及，事實上，當下上述中心化雲平台和不少國家都已經開始部署DeepSeek，推理成本的大幅降低會催生大量前端應用，這些應用對於消費級GPU有著龐大的需求。面對即將到來的龐大市場，中心化雲端平台將進行新一輪的用戶爭奪戰，不僅是和頭部平台競爭，也是和無數小型中心化雲端平台的競爭。而最直接的競爭方式就是降價，可以預見4090在中心化平台的價格會迎來下調，這對Web3的算力平台來說可謂滅頂之災。當價格不是後者的唯一護城河，業界的算力平台也被迫下調價格時，結果是io.net 、Render、Akash們無法負擔的。價格戰將摧毀後者僅存的估價上限，收益下降和用戶流失帶來的死亡螺旋可能會讓去中心化算力協議轉型新的方向。
DeepSeek對產業上下游協議帶來的具體意義
如圖所示，我認為DeepSeek會對基礎設施層、模型層以及應用層帶來不同影響，從正面影響：
應用層會收益於推理成本的大幅降低，更多的應用可以用低成本確保Agent應用長時間在線，並即時完成任務；
同時DeepSeek這樣的低成本模型開銷，可以讓DeFAI協議組成更複雜的SWARM，成千的Agent被用於一個用例上，每個Agent的分工將非常細微且明確，這樣能大幅提高用戶使用體驗，避免用戶輸入被模型錯誤拆解和執行；
應用層的開發者可以微調模型，給予DeFi相關AI應用程式投餵價格，鏈上數據與分析，協議治理的數據，而不必再支付高昂的牌照費用。
開源模型層在DeepSeek出世後，存在意義被證明，高端模型開放給長尾開發者，可以刺激廣泛的開發熱潮；
過去三年圍繞高階GPU建構的算力高牆被徹底打破，開發者有更多選擇，更為開源模型確立方向，未來AI模型比拼的將不再是算力而是演算法，信念的轉變會成為開源模型開發者的信心基石；
圍繞DeepSeek的特定子網路會層出不窮，在同等算力下的模型參數會上升，會有更多開發者加入開源社群。
從消極影響：
基礎設施中算力協定客觀存在的使用延遲無法被最佳化；
而A100和4090所組成的混合網路對於協調演算法要求更高，而這並非去中心化平台的優勢。
DeepSeek戳破Agent賽道最後的泡沫，DeFAI可能孕育新生，產業融資方式迎來轉變
Agent是業界AI最後的希望，DeepSeek的出現，解放了算力限制，描繪出應用爆發的未來預期。本是對Agent賽道的巨大利好，卻由於行業和美股以及聯準會政策的強烈關聯，被戳破僅剩的泡沫，賽道市值跌入谷底。
在 AI與產業的融合浪潮中，技術突破與市場博弈始終如一。英偉達市值震盪引發的連鎖反應，恰似一面照妖鏡，映照出業界AI敘事的深層困境：從On-chain Agent到DeFAI引擎，看似完整的生態圖譜下，掩蓋著技術基建薄弱、價值邏輯空心化、資本主導的殘酷現實。表面繁榮的鏈上生態暗藏隱疾：大量高FDV代幣爭奪有限流動性，陳舊資產依靠FOMO情緒苟延殘喘，開發者困在PVP內卷中消耗創新勢能。當增量資金與用戶增長觸及天花板，整個行業陷入"創新者的窘境"——既渴望突破性敘事破局，又難以擺脫路徑依賴的枷鎖。這種撕裂狀態恰為AI Agent提供了歷史性機會：它不僅是技術工具箱的升級，更是價值創造典範的重建。
過去一年，業界越來越多團隊發現，傳統融資模型正在失效——給VC小份額、高度控盤、等上所拉盤的套路已難以為繼。 VC口袋收緊、散戶拒絕接盤、大所上幣門檻高企，三重壓力下，一套更適應熊市的新玩法正在崛起：聯合頭部KOL+少量VC，大比例社區發射，低市值冷啟動。
以Soon和Pump Fun為代表的創新者正透過"社區發射"開闢新路徑——聯合頭部KOL背書，將40%-60%代幣直接向社區分發，在低至1000萬美元FDV的估值水位啟動項目，實現數百萬美元融資。此模式透過KOL影響力建構共識FOMO，讓團隊提早鎖定收益，同時以高流通性換取市場深度，雖放棄短期控盤優勢，卻可透過合規做市機制在熊市低價回購代幣。本質而言，這是權力結構的範式遷移：從VC主導的擊鼓傳花遊戲（機構接盤-上所拋售-散戶買單），轉向社區共識定價的透明博弈，項目方與社區在流動性溢價中形成新型共生關係。當產業邁入透明革命週期，執著於傳統控盤邏輯的項目，或將淪為權力遷移浪潮下的時代殘影。
市場短期陣痛恰恰印證著技術長潮的不可逆。當AI Agent將鏈上互動成本降低兩個數量級，當自適應模型持續優化DeFi協議的資金效率，業界可望迎來苦等已久的Massive Adoption。這場變革不依靠概念炒作或資本催熟，而是紮根於真實需求的技術穿透力——就像電力革命不曾因燈泡企業的破產而停滯，Agent終將在泡沫破滅後成為真正的黃金賽道。而DeFAI可能正是孕育新生的沃土，當低成本推理成為日常，我們可能很快就會看到上百Agent被組合到一個Swarm中的用例誕生。在等效算力下，模型參數大幅上升可以確保開源模型時代的Agent可以被更充分的微調，即使面對使用者複雜的輸入指令，也能拆分為單一Agent可以充分執行的任務pipeline。每個Agent優化鏈上操作，可能會促進整體DeFi協議活躍度增加和流動性上升。以DeFAI為首更多複雜的DeFi產品會出現，而這正是上一輪泡沫破滅後，新的機會出現的地方。
