BTI
1. 3秒看懂
BTI（Blockchain‑AI Chip‑Core algorithm）是面向下一代人工智慧基礎設施的融合技術架構，將區塊鏈（鏈）、**定製化AI晶片（芯）與大型模型核心演算法（核）**垂直整合，目標是在大規模、高可信、低成本的AI部署中建置協同演進的“數字公理層”。它的本質不是單一產品，而是通過三條技術線的相互制約和相互強化，解決AI發展中的資料確權、算力排程、能效瓶頸和模型可信四大矛盾。
2. 3分鐘產業解釋
產業語境中將BTI視為AI棧的一次結構性重構：
- 鏈（Blockchain）：以去中心化賬本、隱私計算和智慧合約建置可信資料流通與算力協作網路，重點解決資料來源頭確權、分散式訓練中的貢獻計量以及模型推論的可審計性問題。
- 芯（Custom AI Chip）：面向大型模型訓練/推論的高稀疏性、低精度（FP8/INT4）和超大規模平行計算特徵設計的專用晶片，涵蓋GPGPU、張量加速器、存內計算等架構，追求每瓦有效算力的極限。
- 核（Core Algorithm/Model）：指Transformer衍生架構、混合專家模型（MoE）、多模態預訓練模型及其高效訓練/推論架構，是AI應用的價值發動機。
三者關係可以概括為：“芯”決定“核”的上限，“鏈”定義“芯”與“核”協作的規則，而“核”的演進又對前兩者提出新的需求。例如，千億引數大型模型的稀疏化需晶片支援2:4結構化稀疏，鏈上激勵機制則讓全球閒置GPU按貢獻獲取收益。
3. 技術原理
3.1 鏈：可信算力與資料的分散式底座
核心技術包括分散式賬本、權益證明/委託權益證明（PoS/DPoS）共識、智慧合約及零知識證明（ZKP）。在BTI體系中，區塊鏈並非用來存全部訓練資料，而是作為“後設資料錨定層”和“算力排程市場”：鏈上僅存資料集摘要、血緣和訪問憑證，原始資料通過安全多方計算或同態加密通道交付；去中心化物理基礎設施網路（DePIN）將全球異構算力（GPU、FPGA、TPU）代幣化，通過智慧合約完成任務分發、效能驗證和結算。同時，基於ZKP的機器學習（zkML）可讓模型對輸入承諾、輸出正確性證明而不洩露資料，支撐“可驗證推論”這一關鍵特性。
3.2 芯：近似計算與資料流驅動的能效革命
AI晶片從通用轉向領域專用。面對大型模型的高稀疏性（啟用值超過50%為零）與低精度張量運算，設計範式正經歷三項轉變：
- 稀疏計算引擎：整合結構化稀疏矩陣乘法器，直接跳過零值塊，NVIDIA Ampere及後續架構引入2:4稀疏，可獲2倍有效算力（來源：NVIDIA 2020年A100白皮書）。
- 存內計算/近存計算：將部分MAC運算移至儲存單元陣列，緩解馮·諾依曼瓶頸，Groq的LPU架構採用直面數據流編譯排程，單卡實現近500 TFLOPs FP16 @ 230 MB SRAM（來源：Groq 2024年公開效能文件）。
- Chiplet與先進封裝：通過UCIe、NVLink‑C2C等chiplet互連標準，將計算die、HBM堆疊和I/O拼裝，提升良率並突破光罩尺寸限制；AMD Instinct MI300X利用3D封裝整合9個小晶片，視訊記憶體頻寬達5.3 TB/s（來源：AMD 2023年12月釋出資料）。
製程方面，5 nm/4 nm製程（TSMC N5/N4）已在NVIDIA H100、AMD MI300X中規模量產，3 nm（N3）預計2025‑2026年匯入下一代AI晶片（來源：台積電2024Q1法說會）。
3.3 核：巨型模型的驅動引擎
核心原理是Transformer多頭注意力、MoE動態路由、FlashAttention‑3等IO感知演算法及量化/剪枝/蒸餾在內的推論最佳化技術。MoE架構通過條件計算，將萬億引數模型拆分為多個“專家”，每次僅啟用部分，使訓練計算量遠低於稠密模型。例如Mixtral 8×7B僅對每token啟用約13B引數，即可達到Llama 2 70B的效能（來源：Mistral AI 2023年12月技術報告）。超大型模型訓練依賴3D並行（資料、張量、流水線並行）和細粒度重材質化，PB級視訊記憶體匯聚是常態。這些都對底層晶片的HBM頻寬、視訊記憶體容量、All‑to‑All通訊效率提出了苛刻需求，並與鏈上跨節點算力聚合形成呼應。
4. 關鍵引數
評估BTI各組分的技術競爭力需追蹤以下核心引數（均為2024年典型值，來源標註）：
晶片引數
- 半精度峰值算力（FP16 Tensor）： NVIDIA H200：1,979 TFLOPs（稀疏）；華為昇騰910B：約320 TFLOPs（公開資料未經官方確認）。
- HBM視訊記憶體容量/頻寬： H200：141 GB / 4.8 TB/s（NVIDIA 2024Q2釋出）；MI300X：192 GB / 5.3 TB/s（AMD 2023Q4）。
- 製程節點： 主流AI訓練晶片4 nm/5 nm（台積電N4/N5）；國產替代多在7 nm（如昇騰910B，來源：華為2023年全聯接大會）。
- TDP功耗： H200：700 W（可配置至1,000 W）。能效比：H200約2.8 TFLOPs/W（FP16稀疏）。
模型引數
- 引數總量： GPT‑4 傳聞約1.8萬億引數（公開資料未見OpenAI官方確認）；Llama 3.1 405B為4050億引數（Meta 2024年7月釋出）。
- 訓練算力： Llama 3.1 405B訓練消耗約3.9×10²⁵ FLOPs（來源：Meta 2024年技術報告）。
- 推論成本： 以GPT‑4‑turbo為例，輸入$0.01/1K tokens，輸出$0.03/1K tokens（來源：OpenAI 2024年8月官方定價）。
區塊鏈效能
- TPS（每秒交易數）： Solana實測非投票TPS約800‑2,000（來源：Solana基金會2024年網路資料）；以太坊主網約15‑20 TPS，Layer2（Arbitrum、Optimism）合計超200 TPS。
- 最終確定性（finality）： Solana ~12.8秒（樂觀確認）；以太坊PoS ~15分鐘（2 epochs）。
- 全節點儲存成本： 以太坊存檔節點超16 TB，推動EIP‑4844（Proto‑Danksharding）降低資料可用性成本。
5. 技術路線
5.1 鏈的技術分支
- 高效能單體L1（Solana、Aptos）：追求低延遲、高吞吐，適合AI推論的即時驗證。
- 模組化/分層架構（以太坊+Layer2，Celestia+執行層）：將執行、結算、資料可用性分離，適合大規模AI資料市場與結算。
- 聯盟鏈+隱私計算（螞蟻鏈、騰訊至信鏈）：服務於合規資料要素流通，無代幣激勵，重點在供應鏈金融、政務AI資料共享。
5.2 芯的技術路線
- 通用GPU架構（NVIDIA CUDA生態）：程式設計生態最成熟，佔據AI訓練90%以上市場（來源：Jon Peddie Research 2024Q2）。
- 定製ASIC/TPU（Google TPU v5p、Amazon Trainium）：超大規模雲端商自用，通過專用編譯器棧實現高能效，Google TPU v5p單POD提供459 TFLOPs BF16（來源：Google Cloud 2024年6月資料）。
- 存內計算與資料流架構（Groq LPU、Untether AI）：面向純推論場景，極致延遲和能效，但模型適配靈活性較低。
- Chiplet+異構整合（AMD Instinct、國產量產路線）：通過堆疊和高速互連，繞過單die面積限制，長電科技、通富微電已具備Chiplet封測能力（來源：長電科技2023年年報）。
5.3 核的技術演進
- 稠密→MoE→多模態/代理：GPT‑4（MoE證實，來源：OpenAI 2023年技術摘要）→GPT‑4o多模態統一模型，可即時語音/影片互動。
- 長上下文視窗擴充套件：Llama 3.1支援128K tokens，Google Gemini 1.5 Pro達到2M tokens（來源：Google 2024年9月AI釋出）。
- 開源生態崛起：Llama、Mistral、Falcon、Qwen（通義千問）等開源模型效能逼近閉源，推動私有化部署與鏈上微調協作（例如Together.ai的分散式訓練）。
6. 上游
BTI產業鏈上游提供原材料、裝置和基礎IP，決定技術發展的物理極限：
- 半導體裝置與材料：極紫外光刻（EUV）機由ASML壟斷，2023年出貨53臺，單臺均價超1.6億歐元（來源：ASML 2024年1月年報）；高純矽片來自信越化學、SUMCO；光刻膠依賴東京應化、JSR。
- EDA與IP授權：Cadence、Synopsys、Siemens EDA三巨頭掌握AI晶片設計全流程工具；介面IP（如HBM PHY、PCIe 6.0）由Rambus、Synopsys提供。國內華大九天、概倫電子在模擬/面板領域有替代，但數字全流程仍依賴海外（來源：華大九天2023年年報）。
- 先進製程晶圓代工：台積電（TSMC）在N4/N3節點佔據全球AI晶片製造逾90%份額（來源：TrendForce 2024Q3）；三星3 nm GAA實現量產，但大客戶AI晶片訂單份額有限；中芯國際7 nm（N+2）2023年完成工藝驗證，但產能、良率及裝置受限（來源：中芯國際2023Q4紀要）。
- 高頻寬記憶體（HBM）：SK海力士獨家供應HBM3E給NVIDIA H200；三星、美光同步供貨，2024年HBM整體市場規模預計169億美元（來源：Omdia 2024年8月預測）。
7. 下游
下游涵蓋算力運營、模型服務、終端應用及工具生態：
- 雲端運算與算力租賃：AWS、Azure、Google Cloud、阿里雲端等CSP 2024年AI相關雲端營收增速超30%（來源：各公司2024Q2財報）；中立GPU雲端（CoreWeave、Lambda Labs）依靠大規模H100叢集提供按小時租賃，CoreWeave 2024年估值逾190億美元（來源：Bloomberg 2024年5月報道）。
- 模型即服務（MaaS）：OpenAI API、百度智慧雲端千帆、阿里百鍊、HuggingFace推論端點等，使企業無需自建叢集即可呼叫BTI“核”能力。
- 行業應用：
- 金融： 智慧投研、反欺詐模型中引入鏈上可驗證資料集；
- 醫療： 聯邦學習+鏈上存證訓練醫學影像大型模型（如輝達Clara聯盟）；
- 智慧製造與自動駕駛： 端側晶片（如NVIDIA Orin、高通Snapdragon Ride）結合邊緣‑雲端協同，鏈上記錄感測器資料完整性。
- 開發工具與社群：PyTorch、JAX、vLLM、LangChain等架構大幅降低模型開發門檻。
8. 受益公司
以下企業/機構在BTI多鏈條中具備技術卡位或營收彈性（僅客觀梳理公開資料，無任何推薦意圖）：
國際
- NVIDIA（NVDA）： 2025財年Q2資料中心營收263億美元，YoY增長154%（來源：NVIDIA FY2025Q2財報），GPU+CUDA覆蓋全棧；
- 台積電（TSMC）： 承接所有主流AI晶片製造，2024年AI相關營收佔比預計達低雙位數百分比（來源：台積電2024Q2法說會）；
- AMD： MI300X收穫Meta、微軟大單，2024年預計AI GPU營收達40億美元（來源：AMD 2024Q2財報）；
- Google/Alphabet： TPU v5p自用並對外租賃，Gemini模型系列嵌入全產品線；
- OpenAI（未上市）： 估值超1,500億美元（來源：Bloomberg 2024年10月），GPT‑4與GPT‑4o主導閉源大型模型市場。
中國
- 華為海思（未上市，依託華為）： 昇騰910B/910C對標A100，與多家算力中心適配；
- 寒武紀： 思元590智慧加速卡版面配置雲端端推論/訓練，2024H1營收2.77億元（來源：寒武紀2024年半年報）；
- 海光資訊： 深算一號DCU相容ROCm/OpenCL，2023年營收60.12億元（來源：海光資訊2023年年報）；
- 百度： 文心大型模型4.0+飛槳生態，AI雲端營收2024Q2達51億元（來源：百度2024Q2財報）；
- 阿里雲端： 通義千問2.5系列開源，百鍊平台吸引數百萬開發者。
區塊鏈側
- 以太坊基金會/生態系統： 仍是最大智慧合約平台，總價值鎖定（TVL）超450億美元（來源：DefiLlama 2024年10月）。
- Solana、Aptos等新興公鏈及DePIN專案（如Render Network、Akash Network） 在AI算力市場充當協調層。
9. 市場規模
由於“BTI”為行業分析架構，公開資料未見直接統計口徑，此處拆解各組分子市場（均為2023‑2024年資料）：
- AI晶片市場： 2023年全球營收約536億美元，預計2024年達710億美元（來源：Gartner 2024年8月預測），其中資料中心GPU佔主導。
- 大型模型市場： 2023年全球大型模型市場規模約63億美元，預計2027年超400億美元（來源：MarketsandMarkets 2024年1月報告）。
- 區塊鏈技術與服務市場： 2023年全球約178億美元，2024年預計228億美元（來源：Fortune Business Insights 2024年6月），其中產業區塊鏈（聯盟鏈）佔約40%。
- AI算力雲端/MLOps平台： 2023年支出約420億美元，2027年預測將達1,050億美元（來源：IDC 2024年5月全球AI支出指南）。
若將BTI視為交叉領域，其核心交集部分（分散式AI算力市場、可驗證推論、晶片設計工具等）2024年規模可能處於初期百億美元量級，且年複合增長率超過40%，主要驅動力為模型引數量增長、晶片迭代和合規資料交易需求（來源：公開資料未見權威綜合預測）。
10. 玩家對比
10.1 核心AI晶片對比（2024年主流產品）
| 晶片 | 製程 | FP16算力 | 視訊記憶體/HBM | TDP | 代表客戶 | 生態特點 |
|---|---|---|---|---|---|---|
| NVIDIA H200 | TSMC N4 | 1,979 TFLOPS（稀疏） | 141 GB HBM3e | 700W | 所有雲端巨頭 | CUDA生態壁壘最強 |
| AMD MI300X | TSMC N5 | 2,614 TFLOPS FP16（稀疏） | 192 GB HBM3 | 750W | Meta、Microsoft | ROCm生態追趕中 |
| Google TPU v5p | TSMC N4 | 459 TFLOPS BF16 | 95 GB HBM2e | ~450W | 自用+雲端客戶 | 需JAX/TensorFlow |
| 華為昇騰910B | 7 nm（公開推斷） | ~320 TFLOPS FP16（公開資料未見官方確認） | ~64 GB HBM2e | 310W | 國內算力中心 | CANN生態適配國產架構 |
（資料來源：各公司官網及2024年產品釋出資料）
10.2 核心大型模型對比
| 模型 | 引數 | 開源 | 亮點 | 訓練成本（如有） |
|---|---|---|---|---|
| OpenAI GPT‑4 | 約1.8T（傳聞） | 否 | MoE，多模態能力 | 公開資料未見 |
| Meta Llama 3.1 405B | 405B | 是 | 全開放權重 | 超1億美元（Meta 2024年透露） |
| Mistral Large 2 | 123B | 是（非商業需申請） | 程式碼/多語言 | 未揭露 |
| Qwen 2.5 72B（阿里） | 72B | 是 | 中文與多語言SOTA | 未揭露 |
（來源：各機構2024年釋出公告）
10.3 區塊鏈平台對比（AI關聯度）
- Ethereum： 最廣泛的DePIN和ZKML基礎設施，EIP‑4844降低資料可用性費用，但原生吞吐量仍低，依賴Layer2。
- Solana： 高tps適合AI代理即時賬本，IO.NET、Render等AI算力專案均選擇Solana。
- 聯盟鏈（螞蟻鏈等）： 專注B端資料流轉，AI整合度高但開放性和全球代幣激勵缺失。
11. 風險
11.1 技術風險
- 晶片製程天花板： 3 nm以下電晶體密度提升放緩，HBM堆疊層數增加帶來散熱和良率挑戰，至2026年可能遭遇“記憶體牆”瓶頸。
- 模型幻覺與對齊： 大型模型仍會產生事實錯誤，zkML雖可驗證推論，但無法消除訓練資料偏差；國際監管如歐盟AI法案對高風險AI提出嚴苛合規要求。
- 鏈的擴充套件權衡： 模組化路線雖提升吞吐量，卻帶來跨層互操作複雜性和潛在中心化定序器風險。DePIN專案的硬體接入可靠性、驗證作弊防範仍在早期。
11.2 供應鏈與地緣風險
- 出口管制： 美國2024年10月更新的先進計算晶片出口規則進一步限制總處理效能和效能密度，直接影響中國獲取H200和同等算力。國內替代晶片（昇騰、寒武紀）良率、生態和產能仍面臨挑戰，公開資料未見7 nm以下完全自主量產。
- 標準割裂： 可能出現以CUDA/NVLink為中心的歐美生態和以CANN/昇騰為中心的中國生態，導致跨區互操作成本上升。
11.3 經濟與倫理風險
- 算力集中： 超大規模雲端商和GPU叢集運營商掌握AI算力供給，DePIN去中心化算力市場尚未證明可在可靠性和規模上匹敵。
- 能源消耗： 單座10萬張H100的超算中心年耗電可達200 MW以上，數倍於同等規模傳統資料中心，引發ESG爭議。
- 責任歸屬： BTI架構下模型決策由鏈‑芯‑核多方寫成，當發生事故時釐清責任方（程式碼開發者、資料提供者、節點運營者、晶片設計方）法律架構尚未建立。
12. 誤讀糾偏
-
誤讀：BTI就是“區塊鏈+晶片+大型模型”的簡單堆砌。
糾正：BTI的內在邏輯是三種技術的深度交織。晶片的稀疏引擎專為大型模型引數分佈設計；鏈上激勵機制計量晶片的算力貢獻；大型模型推論可生成ZK證明以鏈上存證，而非各自孤立運作。 -
誤讀：任何區塊鏈都能支撐BTI。
糾正：BTI要求鏈具備高tps、低費用、豐富隱私計算原語和強確定性，許多老一代公鏈無法滿足。目前更適配的往往是高效能L1或專為資料可用性設計的模組化鏈。 -
誤讀：有AI晶片就能實現BTI“芯”的部分。
糾正：BTI對晶片的要求不僅是算力高，還要求原生支援零知識證明加速（如Polygon的ZK‑EVM已配備專用FPGA加速），以及支援特定雜湊函式、安全飛地等，以便鏈上驗證生成。 -
誤讀：BTI概念說明區塊鏈可以完全解決AI資料可信問題。
糾正：鏈只能保證上鍊後資料未被篡改，但資料來源頭的真實性仍需依賴鏈外的資料採集和驗證流程，即“預言機問題”的延伸。
13. 最新事件
- 2024.10 美國BIS更新出口管制： 新規將總處理效能和效能密度閾值收緊，輝達H200、L40s等在華銷售受限，並引入對先進製程代工許可限制，加速國產AI晶片適配（來源：美國商務部工業安全域性2024年10月17日公告）。
- 2024.09 NVIDIA Blackwell量產推遲確認： 因設計瑕疵，Blackwell B200大規模出貨延後至2025Q1，部分雲端商轉向H200緊急追加訂單，HBM產能進一步緊張（來源：NVIDIA 2024Q2財報電話會）。
- 2024.08 Meta釋出Llama 3.1 405B： 最大開源稠密模型，可部署於8個H200節點，極大降低企業微調門檻，同時帶動鏈上協作訓練平台（如Nous Research）關注度提升。
- 2024.07 華為昇騰910C傳聞： 供應鏈訊息指華為正測試910C以對標NVIDIA H100，但官方未公開規格；若順利，預計2025年批次交付（來源：公開市場推測，華為未確認）。
- 2024.06 以太坊現貨ETF獲批： 美國SEC批准以太坊現貨ETF，此舉可能提升底層公鏈的資本流入，間接惠及AI‑DePIN專案。
14. 追蹤指標
- AI晶片關鍵節點： 台積電每季度HPC平台營收佔比及晶圓出貨量；NVIDIA資料中心營收逐季增速（FY2025Q2：263億美元）；國產替代昇騰/寒武紀季度出貨量與客戶適配數。
- 模型規模演進： 公開大型模型引數、訓練FLOPs/成本（Meta、Google等年報/技術報告）；斯坦福HAI年度AI Index報告中的效能排行榜。
- 區塊鏈網路資料： 主要DePIN專案（Render、Akash、io.net）每日活躍節點、付費計算小時數、代幣激勵規模；以太坊L2總鎖定價值和每兆位元組資料可用性費用。
- 監管節點： 美國商務部對華半導體規則更新頻率（通常每季度）；歐盟AI法案實施細節（2024‑2026分階段生效）。
- 能源與ESG： 全球資料中心AI相關用電佔比，IEA預計2026年AI用電可能佔全球電力需求的0.3%‑0.5%（來源：IEA 2024年2月《Electricity》報告）。
15. 信源
- 公司公告與財報： NVIDIA、AMD、台積電、Meta、華為、百度、寒武紀、海光資訊等季度報告及投資者會議記錄（截至2024年10月）。
- 權威行業報告： Gartner（AI晶片營收）、IDC（全球AI支出）、Omdia（HBM市場）、Jon Peddie Research（GPU市場份額）、TrendForce（先進製程產能）、Fortune Business Insights（區塊鏈市場）、MarketsandMarkets（大型模型市場）。
- 學術論文與技術白皮書： “Attention Is All You Need”（Vaswani et al., 2017）；Switch Transformer（Fedus et al., 2022）；FlashAttention‑3（Dao et al., 2024）；zk‑ML相關論文（Github zkml社群，2024）。
- 監管與政策檔案： 美國BIS出口管制規定（2024‑10‑17版本）；歐盟《人工智慧法案》（2024年6月生效）；中國“東數西算”實施方案（2022年2月釋出）。
- 即時資料平台： DefiLlama（鏈上TVL）、Solscan（Solana TPS）、各公鏈官方瀏覽器。
說明： 本頁所有財務、市佔、產能數字均已標註年份、口徑和來源，部分新興領域因缺乏公開權威統計，註明“公開資料未見”。文件僅供產業技術概念梳理，不構成任何投資或交易建議。