DeepSeek 对 Web3 AI 上下游协议产生的影响

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。

一、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：

1、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。

2、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。

3、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。

4、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。

二、对去中心化算力产生消极影响

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，推理成本的大幅降低会催生大量前端应用，这些应用对于消费级 GPU 有着庞大的需求。面对即将到来的庞大市场，中心化云平台会开展新一轮的用户争夺战，不仅是和头部平台竞争，还是和无数小型中心化云平台的竞争。而最直接的竞争方式就是降价，可以预见 4090 在中心化平台的价格会迎来下调，这对 Web3 的算力平台来说可谓灭顶之灾。当价格不是后者的唯一护城河，行业内的算力平台也被迫下调价格时，结果是 io.net、Render、Akash 们无法承受的。价格战将摧毁后者仅存的估值上限，收益下降和用户流失带来的死亡螺旋可能让去中心化算力协议转型新的方向。

三、对上下游协议带来的意义

如图所示，我认为 DeepSeek 会对基础设施层、模型层以及应用层带来不同影响，从积极影响来说：

• 应用层会收益于推理成本的大幅降低，更多的应用可以用低成本确保 Agent 应用长时间在线，并实时完成任务；
• 同时 DeepSeek 这样的低成本模型开销，可以让 DeFAI 协议组成更复杂的 SWARM，成千的 Agent 被用于一个用例上，每个 Agent 的分工将非常细微且明确，这样能大幅提高用户使用体验，避免用户输入被模型错误拆解和执行；
• 应用层的开发者可以微调模型，给 DeFi 相关 AI 应用投喂价格，链上数据与分析，协议治理的数据，而不必再支付高昂的牌照费用。
• 开源模型层在 DeepSeek 出世后，存在意义被证明，高端模型开放给长尾开发者，可以刺激广泛的开发热潮；
• 过去三年围绕高端 GPU 构建的算力高墙被彻底打破，开发者有更多选择，更为开源模型确立方向，未来 AI 模型比拼的将不再是算力而是算法，信念的转变会成为开源模型开发者的信心基石；

围绕 DeepSeek 的特定子网会层出不穷，在同等算力下的模型参数会上升，会有更多开发者加入开源社区。

从消极影响来说：

• 基础设施中算力协议客观存在的使用延迟无法被优化；
• 并且 A100 和 4090 组成的混合网络对于协调算法要求更高，而这并非去中心化平台的优势。

四、戳破Agent泡沫，DeFAI孕育新生

Agent 是行业内 AI 最后的希望，DeepSeek 的出现，解放了算力限制，描绘出应用爆发的未来预期。本是对 Agent 赛道的巨大利好，却由于行业和美股以及美联储政策的强关联，被戳破仅剩的泡沫，赛道市值跌入谷底。

AI 与行业的融合浪潮中，技术突破与市场博弈始终如影随形。英伟达市值震荡引发的连锁反应，恰似一面照妖镜，映照出行业内 AI 叙事的深层困境：从 On-chain Agent 到 DeFAI 引擎，看似完整的生态图谱下，掩盖着技术基建薄弱、价值逻辑空心化、资本主导的残酷现实。表面繁荣的链上生态暗藏隐疾：大量高 FDV 代币争夺有限流动性，陈旧资产依靠 FOMO 情绪苟延残喘，开发者困在 PVP 内卷中消耗创新势能。当增量资金与用户增长触及天花板，整个行业陷入「创新者的窘境」——既渴望突破性叙事破局，又难以摆脱路径依赖的枷锁。这种撕裂状态恰为 AI Agent 提供了历史性机遇：它不仅是技术工具箱的升级，更是价值创造范式的重构。

过去一年，行业里越来越多团队发现，传统融资模型正在失效——给 VC 小份额、高度控盘、等上所拉盘的套路已难以为继。VC 口袋收紧、散户拒绝接盘、大所上币门槛高企，三重压力下，一套更适应熊市的新玩法正在崛起：联合头部 KOL+ 少量 VC，大比例社区发射，低市值冷启动。

以 Soon 和 Pump Fun 为代表的创新者正通过「社区发射」开辟新路径——联合头部 KOL 背书，将 40%-60% 代币直接向社区分发，在低至 1000 万美元 FDV 的估值水位启动项目，实现数百万美元融资。这种模式通过 KOL 影响力构建共识 FOMO，使团队提前锁定收益，同时以高流通性换取市场深度，虽放弃短期控盘优势，却可通过合规做市机制在熊市低价回购代币。本质而言，这是权力结构的范式迁移：从 VC 主导的击鼓传花游戏（机构接盘 – 上所抛售 – 散户买单），转向社区共识定价的透明博弈，项目方与社区在流动性溢价中形成新型共生关系。当行业迈入透明度革命周期，执着于传统控盘逻辑的项目，或将沦为权力迁移浪潮下的时代残影。

市场短期阵痛恰恰印证着技术长潮的不可逆。当 AI Agent 将链上交互成本降低两个数量级，当自适应模型持续优化 DeFi 协议的资金效率，行业有望迎来苦等已久的 Massive Adoption。这场变革不依靠概念炒作或资本催熟，而是扎根于真实需求的技术穿透力——就像电力革命不曾因灯泡企业的破产而停滞，Agent 终将在泡沫破灭后成为真正的黄金赛道。而 DeFAI 可能正是孕育新生的沃土，当低成本推理成为日常，我们可能很快看到上百 Agent 被组合到一个 Swarm 中的用例诞生。在等效算力下，模型参数大幅上升可以确保开源模型时代的 Agent 可以被更充分的微调，即使面对用户复杂的输入指令，也能拆分为单一 Agent 可以充分执行的任务 pipeline。每个 Agent 优化链上操作，可能会促进整体 DeFi 协议活跃度增加和流动性上升。以 DeFAI 为首更多复杂的 DeFi 产品会出现，而这正是上一轮泡沫破灭后，新的机会出现的地方。