容量因子
1 3 秒看懂
容量因子（Capacity Factor） 描述一個發電或計算單元在給定週期內“實際產出”與“理論最大產出”的比率。公式為：
text(容量因子) = \frac{text(實際產出（發電量 / 算力任務完成量）)}{text(理論最大產出（額定功率 × 日曆小時）)}以風電為例：一臺 10 MW 風機全年理想發電 87,600 MWh，實際發電 26,280 MWh，容量因子就是 30%。
在 AI 產業鏈語境，“容量因子”被從電力領域延伸至算力基礎設施：一臺 GPU 伺服器若全年 8,760 小時中實際有效執行訓練/推論任務的時間只有 5,000 小時，其算力容量因子約為 57%。數值越高，說明硬體閒置越少、單位算力成本越低、投資回報越快。
鏈-雲端（Chain-Cloud） 是提升容量因子的前沿路徑之一。其核心思想是：利用區塊鏈的分散式賬本、智慧合約和通證激勵機制，將分散在全球的閒置或低利用率 GPU/CPU 資源“編排成網”，在網路層面提升算力呼叫的匹配效率，讓更多硬體被更充分使用，從而提高整體容量因子。
如果只記一句話：容量因子是 AI 算力資源效率的晴雨表，鏈-雲端模式試圖用 Web3 經濟機制解決算力碎片化與低利用率問題。
2 3 分鐘產業解釋
2.1 容量因子在 AI 時代為何被重提
傳統資料中心時代，容量因子主要由 電力 PUE（電能利用效率） 和 伺服器利用率 共同決定。雲端廠商通過虛擬化、資源超賣、負載排程等技術，能夠將伺服器利用率從早期的 10%–15% 提升到 40%–60%（Uptime Institute, 2022 年度報告，全球平均伺服器利用率估算範圍）。
進入 AI 大型模型時代，情況劇烈變化：
- 訓練算力需求指數增長：AI 訓練叢集不僅規模龐大（單叢集可達萬卡級 GPU），且訓練任務往往需要連續執行數週至數月。高容量因子意味著訓練任務能在更短時間內完成、GPU 無需空轉等待資料或通訊同步。
- 推論算力需求波動極大：推論負載跟隨使用者訪問節奏高低起伏，出現明顯的“峰谷效應”。峰時資源告急，谷時資源大量閒置。提升容量因子就是降低谷時的浪費。
- 硬體昂貴且供給緊張：NVIDIA H100 等高階 GPU 供給受限、採購成本高。若容量因子低，意味著企業在為大量“空閒時間”付費。
因此，AI 產業對容量因子的關切，已從一般性的“節能省錢”升級為全生命週期成本控制和供應鏈安全問題。
2.2 “鏈-雲端”是什麼，解決什麼問題
“鏈-雲端”是一種分散式算力網路的架構理念，試圖通過區塊鏈技術將分散的雲端和邊緣計算資源組織起來。它主要面對三類痛點：
| 痛點 | 鏈-雲端試圖給出的方案 |
|---|---|
| 算力所有權碎片化 | 用區塊鏈做資源註冊與身份可信，使任何符合標準的算力節點可加入網路。 |
| 任務分配與信任難題 | 用智慧合約自動執行任務匹配、資源排程與結果驗證，減少中心化平台的仲裁成本。 |
| 參與激勵與結算摩擦 | 用通證（Token）進行即時、小額、自動化的經濟激勵，降低跨境/跨主體算力交易的結算成本。 |
簡言之：中心化雲端廠商在內部用“排程器”提升容量因子；鏈-雲端模式想在全球尺度上做一個“分散式排程器+經濟激勵層”，以提升跨域、跨主體的算力容量因子。
2.3 適用範圍與侷限
鏈-雲端模式目前在以下場景探索較為活躍：
- 渲染與批處理計算（對即時性要求較低、任務可拆分、可驗證）
- AI 模型推論（尤其是不涉敏模型、可接受輕量化節點）
- 科學計算與生物資訊學（對去中心化可信計算有特定需求）
對超大規模單任務訓練（如千億級以上引數模型），由於對 GPU 間通訊頻寬（NVLink、InfiniBand）有極高要求，分散式跨節點的效果目前遠弱於中心化叢集。鏈-雲端在這一場景更可能是補充而非替代。
3 技術原理
3.1 容量因子在電力系統中的原始模型
電力系統的容量因子受四個因素支配：
- 資源稟賦：風、光的自然小時數不可控；
- 裝置可靠性：強迫停運率（Forced Outage Rate）和計劃檢修時間；
- 限電/棄電：電網消納不足時主動降低出力；
- 市場排程排序：按邊際成本競爭上網，高成本機組執行小時被壓縮。
3.2 算力容量因子的分解模型
將電力的容量因子邏輯遷移至分散式算力網路，可得五層影響因子：
- 硬體可用率（Hardware Availability）：裝置線上時長 / 總日曆時長。受硬體故障、網路中斷、計劃維護影響。
- 任務排程命中率（Scheduling Hit Ratio）：實際匹配到合適任務的時間佔比。若算力資源規格與任務需求（精度、視訊記憶體、頻寬）不匹配，則資源處於“質不可用”狀態。
- 有效計算比（Effective Compute Ratio）：扣除資料載入、通訊等待、模型檢查點儲存等非計算時間後，真正用於矩陣計算的時長。
- 驗證與重算開銷（Verification Overhead）：在去中心化網路中，為防止作弊，同一任務可能分配給多個節點做冗餘計算，這會降低系統的淨有效產出。
- 激勵對齊度（Incentive Alignment）：節點可能因經濟激勵不足而退出，或因套利行為進行惡意挖礦/假算力上報，導致網路算力虛假繁榮，真實容量因子受損。
因此，鏈-雲端模式下的容量因子最佳化是一個技術-經濟雙耦合問題，單純靠演算法排程無法解決。
3.3 鏈-雲端技術棧分層
產業鏈參與者普遍將鏈-雲端技術棧分為四層（行業公認的非官方分層，綜合多個白皮書，如 Akash Network 文件 2023 版、Render Network 技術部落格 2023 版）：
- L0 物理資源層：GPU、CPU、FPGA、儲存、網路頻寬。
- L1 資源登記與驗證層：將算力規格、地理位置、延遲、價格、歷史任務完成率等後設資料錨定到鏈上，形成“算力身份”。關鍵技術包括：TEE（可信執行環境）遠端證明、雜湊時間鎖、零知識證明用於算力驗證。
- L2 任務編排與市場層：通過智慧合約實現任務需求的鏈上發單、資源報價、自動撮合與任務分發。
- L3 結算與聲譽層：通證結算、服務等級協議（SLA）自動化、節點聲譽分（Rating）的更新與鏈上存證。
分層後，容量因子的最佳化可以發生在每一層，但最終體現為 L0 層硬體的實際有效利用率。
4 關鍵引數
討論鏈-雲端容量因子時，以下幾個引數是行業報告和專案揭露中常見的衡量口徑（綜合 Messari, 2023/2024 關於 DePIN 的季度報告；CoinGecko 行業分類方法；各專案官方文件中的指標定義，口徑不完全統一，以下做統一說明）：
| 引數 | 定義 | 常見範圍/示例 | 備註 |
|---|---|---|---|
| **名義總算力 **（Total Compute Power on Network） | 網路上註冊的總算力，通常以 GPU 數量或 TFLOPS/EFLOPS 表示 | Render Network 2024 年 Q1 揭露約 1.2 萬節點；Akash Network 活躍提供商約 200–300 個（2023 年口徑，Messari 報告） | 不等於可用算力，存在注水和離線可能 |
| 有效算力利用率（Effective Compute Utilization Ratio） | 網路中實際完成有效任務的計算量 / 名義總算力 × 時間段 | 行業未形成統一標準；公開資料未見權威第三方對鏈-雲端網路整體平均有效利用率的系統核算 | 各專案揭露的利用率方法與範圍差異大，不可直接比較 |
| 節點線上率（Uptime/Online Rate） | 節點線上時長佔比 | 頭部專案要求節點線上率 > 95%；實際網路平均值約 70%–90%（部分專案社群統計） | 線上不代表有任務執行 |
| 任務履約率（Job Fulfillment Rate） | 成功完成的任務數 / 總分配任務數 | 部分專案公開 > 98%（可能含重試成功），需注意計算方式是否扣除了冗餘驗證 | 無行業標準口徑 |
| 通證補貼依賴度（Subsidy Dependence Ratio） | 節點總營收中來自通證增發/補貼的比例 | 多數鏈-雲端專案早期該比率 > 80%（基於各專案代幣釋放計劃與公開營收的粗略估算，如 Akash 2022–2023 時期，社群分析） | 高補貼意味著可持續性待考 |
資料來源說明：上述資料中，專案方自行揭露的資料來源自專案官網、官方部落格及社群統計；行業第三方引用來源包括 Messari、CoinGecko、Sia 年度報告等。口徑差異較大，公開可查的第三方系統核算尚不充分。
5 技術路線
5.1 中心化雲端廠商的容量因子最佳化路線
（未包含區塊鏈，作為對照基線）
- 硬體異構排程：GPU+CPU+TPU/NPU 的混合叢集排程器（如 Google Borg 後續系統、AWS 自研晶片排程）
- 搶佔式/可中斷例項：通過價格歧視讓低優先順序任務填充低谷時段，本質是經濟學手段配合排程技術提升容量因子
- 液冷與高密度部署：減少因散熱限制導致的降頻/停機，提升單位空間和能源容量因子
- ML 預測式資源伸縮：基於歷史負載預測做提前擴/縮容
5.2 鏈-雲端模式的主要技術路線比較
| 路線 | 代表專案 | 驗證方式 | 通訊模型 | 主要適配任務 |
|---|---|---|---|---|
| 鏈下任務執行 + 鏈上結果存證與結算 | Akash Network（基於 Cosmos SDK 的鏈上訂單簿與結算，容器化任務執行在鏈下） | 資源提供商公開資訊、社群信譽；任務結果由使用者或仲裁者驗證 | 無高速通訊依賴，任務間獨立 | 批處理、Web 服務、低延遲要求不極端的任務 |
| 鏈下任務執行 + 多方冗餘計算驗證 | Render Network（第一階段鏈下渲染 + 鏈上結算；逐步引入 Proof of Render） | 冗餘渲染 + 結果比對 | 獨立渲染幀 | 3D 渲染、靜態幀與動態幀 |
| TEE 可信計算 + 鏈上驗證 | iExec（基於 Intel SGX 的可信執行環境，鏈上存證） | 硬體級 TEE 遠端證明 | 節點間無即時協同 | 隱私計算、可信資料任務 |
| 聯邦學習 / 分散式訓練 + 鏈上協調 | 部分早期學術專案和創業團隊探索 | 梯度驗證、零知識證明聚合 | 需要節點間梯度同步，通訊壓力大 | AI 模型分散式訓練 |
關鍵瓶頸：對於大規模分散式訓練，節點間的通訊資料量極大（萬卡級訓練每步可能產生數百 GB 梯度）。當前鏈-雲端模式普遍採用“任務可拆分、低通訊依賴”的負載，距離替代中心化超大規模訓練叢集還有顯著差距。公開資料未見在萬卡級以上分散式訓練任務中成功商用落地的純鏈-雲端方案（截至 2024 年中）。
6 上游
鏈-雲端容量因子的上游，核心是提供基礎算力硬體的半導體產業和為硬體執行提供物理條件的能源/基礎設施產業。
6.1 半導體與硬體
- GPU：NVIDIA 是統治級玩家。根據 Mercury Research 及 Jon Peddie Research 2023 年資料，NVIDIA 在獨立 GPU 市場份額長期超過 80%，AI 訓練/推論市場主導地位更為顯著。其新品迭代週期（約 2 年一代）和供給量，直接決定鏈-雲端網路算力池的“總量天花板”。
- ASIC / FPGA：部分 AI 推論任務可用專用晶片。去中心化網路若要容納異構晶片，需要更復雜的任務拆分和編譯工具鏈，當前生態支援有限。
- 伺服器與互聯：大規模訓練依賴高速互聯。鏈-雲端節點的互聯普遍依賴廣域網際網路，通訊頻寬和延遲成為限制整個網路效率的硬頂。
6.2 能源與基礎設施
- 電力成本與電價波動：電力是算力執行的最大邊際成本之一。容量因子提升意味著同樣電量產出更多有效算力，單位算力的電力成本下降。能源價格波動直接影響節點提供者獲利和參與意願。
- 冷卻方案：液冷、高密度供電等是高階算力節點的剛需。鏈-雲端網路中的小型供應商（個體礦工/算力出租者）常缺乏液冷部署能力，可能導致硬體降頻，影響可用算力和容量因子。
- 地理位置與政策：部分地區擁有低電價、高綠電比例優勢，但可能面臨網路基礎設施薄弱問題，影響節點線上率。“東數西算”工程的邏輯部分與此類似，但由國家主導，以中心化排程為主。
7 下游
鏈-雲端容量因子的下游，是需要彈性、低成本算力的業務場景和終端客戶。
7.1 AI 推論（目前最大潛在下游之一）
- 大語言模型、文生圖模型、影片生成模型的推論需求爆發，且負載具有高度時間波動性（如工作時段高峰、夜間低谷）。
- 去中心化算力可提供“突發任務彈性”，與中心化雲端商形成互補。敏感場景（醫療、金融、政務）因合規要求，目前主流不會把核心推論遷至去中心化算力網。
7.2 渲染與內容生產
- 電影/遊戲/建築設計的離線渲染，單幀計算獨立、對延遲不敏感，是去中心化算力最早驗證的 PMF（產品市場契合度）場景之一。
- Render Network 是代表案例。根據其基金會部落格，截至 2024 年初已處理數百萬幀渲染任務，適配 Cinema 4D、Blender 等主流工具。
7.3 科學計算與生物醫藥
- 蛋白質摺疊、分子動力學模擬、氣候建模等，部分任務的並行度極高。
- 對資料隱私有相當要求，目前更多關注 TEE 路線（如 iExec 的探索）。
7.4 邊緣計算與 IoT
- 智慧工廠、自動駕駛模擬等場景，產生大量邊緣側資料，若即時回傳中心雲端不現實。
- 鏈-雲端架構理論上可實現“就近算力節點排程”，降低延遲並提升邊緣節點自身的容量因子。
當前需求結構特徵：對時延不敏感、低安全等級、可拆分任務佔據主流。公開資料未見大型金融機構或三甲醫院將核心 AI 推論任務系統性地委託給去中心化算力網路的實際案例。
8 受益公司
（注：本段依據公開工商資訊、行業分級和市場觀察整理，僅作產業鏈角色分析，不構成任何投資建議。）
8.1 硬體與基礎設施層
- NVIDIA：任何算力增長（無論中心化或去中心化）均拉動其 GPU 銷售。是底層最大受益方。
- 台積電：先進製程的壟斷性代工地位，使 AI 晶片產能擴張的溢位效應匯聚於此。
- AMD / Intel：若異構算力在去中心化網路中佔比提高，它們也可能受益。
8.2 中心化雲端與 GPU 雲端
- AWS / Google Cloud / Azure：當前 AI 大單基本聚集於頭部中心化雲端。即使鏈-雲端模式興起，短期分流有限，長期可能作為差異化補充。
- CoreWeave / Lambda Labs 等新興 GPU 雲端：專注於 AI/HPC 高密度算力，對提升容量因子有直接商業訴求。
8.3 協議與網路層（鏈-雲端核心代表）
- Akash Network（AKT）：基於 Cosmos 的去中心化雲端市場，支援容器化部署，定位為傳統雲端的替代或補充。
- Render Network（RNDR）：分散式 GPU 渲染網路，正在擴充套件 AI 推論等新場景。
- iExec（RLC）：基於以太坊的去中心化雲端運算，主攻 TEE 可信計算。
- Golem（GLM）：老牌去中心化算力專案，以 CPU 計算為主，逐步涉足 GPU。
8.4 中國企業相關動態
- 阿里雲端、華為雲端、騰訊雲端：中國算力供給主力，更多采用中心化排程最佳化路徑參與容量因子提升，未見直接推出基於公有鏈通證激勵的開放算力網路（受合規約束）。
- 海光資訊、寒武紀等國產晶片廠商：國產替代趨勢下，國產 AI 晶片的產能和利用率將影響中國整體算力容量因子。
以上僅基於公開產業鏈定位整理。
9 市場規模
9.1 全球 GPU 市場規模
根據 Jon Peddie Research（2023 年 Q4 報告），全球 GPU 出貨量在 2023 年第四季度約為 7,600 萬顆（含整合與獨立顯示卡在內）。AI 專用 GPU（資料中心級）雖出貨量佔比小，但按銷售額已成為更大市場：NVIDIA 資料中心營收在 FY2024（截至 2024 年 1 月）一年錄得約 475 億美元（NVIDIA FY2024 年報），創下歷史新高。
9.2 算力租賃與雲端市場規模
根據 Grand View Research 估算，2023 年全球雲端運算市場規模約 6,000 億美元，其中 AI 雲端服務是增速最快的子領域（CAGR 預估普遍 > 30%，不同機構口徑浮動）。算力租賃作為細分市場尚無公開統一的權威規模資料。
9.3 鏈-雲端去中心化算力網路現有規模
去中心化算力網路目前整體體量遠小於中心化雲端。以兩個頭部專案為例：
- Akash Network：2024 年 Q1，其網路上活躍資源提供商約 200–300 個（Messari 2024 Q1 Akash 簡報），年化營收約 20 萬美元量級（來自區塊瀏覽器與社群統計的鏈上費用）。
- Render Network：2024 年 Q1 處理幀數增長顯著，但未公開轉化為美元營收的統一資料。據其基金會透明報告，2023 年全年網路花費約 200 萬 RNDR（法幣價值隨市場波動）。
小結：鏈-雲端算力市場仍處於極早期。相比於中心化雲端市場數萬億美元市值的生態，其規模差距在 3–4 個數量級。
10 玩家對比
10.1 去中心化算力網路主要玩家橫向對比（2024 年 Q1 大致區間，基於各官方公開資訊及 Messari 季度研究報告）
| 指標 | Akash Network | Render Network | iExec | Golem |
|---|---|---|---|---|
| 底層鏈 | Cosmos SDK | 初期以太坊，計劃遷移 Solana（社群討論 2023–2024） | 以太坊 | 以太坊側鏈/Polygon |
| 主要任務型別 | 通用容器化計算、Web 服務 | 3D 渲染、擴充套件至 AI 推論 | 隱私計算、可信計算 | CPU 計算為主，部分 GPU |
| 驗證方式 | 信譽 + 使用者驗證 | 冗餘渲染比對（PoR 升級中） | TEE（Intel SGX）遠端證明 | 冗餘計算驗證 |
| 活躍節點數（Rough） | 約 200–300 提供商 | 約 1.2 萬節點完成過任務 | 公開資料不詳，約 100–200 工作節點（社群估計） | 100 左右穩定節點（社群估計） |
| 通證用途 | 算力支付、質押、治理 | 任務支付、燃燒機制 | 支付、質押 | 支付 |
| 社群建設重點 | 降低雲端服務成本 | 內容創作生態與創作者工具 | 企業合作與資料隱私 | 通用計算相容性 |
口徑說明：活躍節點數界定標準各專案不同，部分將“完成過≥1 次任務”視作活躍，部分按“線上且有算力提供”。資料對比僅供參考，不具備嚴格統計可比性。
10.2 與中心化雲端的對比
中心化雲端（AWS、GCP、Azure）在 SLA 保障、安全合規體系、開發者工具生態和全球基礎設施覆蓋上擁有壓倒性優勢。鏈-雲端網路目前的主要差異化在於：
- 更低的基礎費用（專案方宣稱可比傳統雲端低 50%–80%，但需考慮節點穩定性折扣）
- 無需 KYC 或極簡接入（對部分隱私敏感場景有吸引力）
- 願接受通證支付的使用者群體
瓶頸：缺乏統一 SLA 保障，使用者體驗與企業級要求差距明顯。
11 風險
11.1 節點質量與作惡風險
去中心化算力網路無法像中心化雲端一樣實施嚴格硬體准入檢測與持續監控。可能出現：
- 算力虛報：節點聲稱擁有 NVIDIA A100，實為低端 GPU 或偽造環境；
- 資料竊密風險：在無 TEE 保護的環境下，任務資料可能被節點惡意留存分析；
- 懶惰或惡意計算：返回虛假結果，影響生成質量或科學計算準確度。
11.2 經濟模型與死亡螺旋風險
早期鏈-雲端專案高度依賴通證補貼，形成“算力挖礦”模式。若真實商業需求（以法幣或穩定幣付費的外部客戶）無法充分增長，補貼降低時算力提供者可能大量退出，容量因子急劇下滑，進而需求進一步萎縮，形成“死亡螺旋”。公開資料未見有第三方機構對鏈-雲端專案進行過完整的“剔除補貼後的真實營收”核算。
11.3 熊市流動性風險
多數鏈-雲端專案的原生代幣價格波動劇烈。熊市中，代幣價格大幅下跌，可能導致算力提供者無利可圖關閉節點；同時，網路安全預算（若基於代幣）縮水，存在攻擊成本下降的隱患。
11.4 監管風險
- 金融監管：通證是否被認定為證券或支付工具？
- 資料監管：GDPR、《資料安全法》等對算力任務的跨境流動和資料處理提出嚴格限制。
- 算力出口管制：某些高階 GPU 已受出口管制（如美國對部分國家限制 NVIDIA H100/B200 等出口），去中心化網路中如何有效執行管轄權內的出口控制法律，是懸而未決的難題。
12 誤讀糾偏
12.1 “容量因子就是開機率”
糾偏：開機率（線上率）只是基礎門檻。1 萬臺 GPU 全部開機但閒置，容量因子為零。容量因子關注的是“有效產出”，必須扣除空轉、資料等待、冗餘驗證和結果無效等時間。
12.2 “鏈-雲端天然提升容量因子”
糾偏：冗餘計算在提升信任的同時會降低有效容量因子。例如，3 倍冗餘意味著同樣任務需要 3 倍算力才能完成有效驗證，直接用傳統公式計算容量因子反而更低。需要區分“網路名義算力利用率”與“社會有效算力效率”。
12.3 “去中心化算力比中心化雲端更便宜，所以更高效率”
糾偏：價格低不一定等於效率高。可能是風險折價、缺乏 SLA 保障、驗證成本未充分內化所致。綜合成本（含安全事件機率、重算損耗、任務失敗重試）才是效率比較的正確基礎。
12.4 “容量因子越高越好”
糾偏：無限接近 100% 意味著資源池完全無彈性空間。在計算基礎設施領域，一定程度的冗餘是韌性（Resilience）和突發需求緩衝的前提。追求極值容量因子可能會犧牲系統彈性和安全保障。
12.5 “中國已有成熟鏈-雲端算力網路”
糾偏：中國有多個聯盟鏈場景下的算力協作試點（如科研機構間算力共享平台），但基於公有鏈代幣激勵的全球分散式算力交易網路不屬於中國監管架構鼓勵方向。相關進展集中在合規的算力排程平台。
13 最新事件
（時間點截至 2024 年中，依據公開行業報道和專案揭露整理）
- Render Network 向 Solana 遷移與 AI 擴充套件：2023 年底至 2024 年初，Render 社群投票通過向 Solana 網路遷移，目標是獲得更高交易吞吐量和更低費用。同時，Render 正式擴充套件計算任務型別至 AI 推論，開發新的 Proof-of-Render 機制以適應 AI 負載的驗證需求。（Source: Render Network Foundation Blog, 2024）
- Akash Network 推出 GPU 市場：2023 年下半年，Akash 在其去中心化雲端市場中正式加入 GPU 支援，使提供商可出租 NVIDIA GPU。2024 年 Q1，網路上的 GPU 容量增長顯著，Akash 官方宣稱提供某些例項可比傳統雲端商便宜。（Source: Akash Network Blog & Messari 2024 Q1 簡報）
- NVIDIA 釋出 B200/B100 與持續供給緊張：NVIDIA GTC 2024 釋出 Blackwell 架構 GPU，效能大幅提升。高階供應鏈緊張持續，使市場關注任何可提升現有 GPU 利用率的方案。
- 歐盟 AI 法案通過：2024 年歐盟通過《人工智慧法案》，對高風險 AI 系統提出合規要求，其中關於資料治理和可追溯性的條款可能影響去中心化算力網路在歐洲的部署方式。
- 多專案推動硬體驗證升級：iExec、Phala Network 等專案加速部署 TEE 與零知識證明用於計算完整性驗證，目標是從“信任節點”過渡到“可驗證計算”。
14 追蹤指標
如果你想持續追蹤鏈-雲端容量因子及相關生態進展，可以參考以下指標組合：
14.1 網路健康度指標
- 活躍算力節點數（各專案官方區塊瀏覽器、社群儀表板；注意去重和欺詐篩查）
- 日均/月均任務完成量（同上）
- 平均任務履約成功率與履約時長（若揭露）
14.2 經濟指標
- 網路協議營收（以美元或穩定幣計）：反映真實需求規模。（資料來源：Token Terminal、各專案區塊瀏覽器）
- 補貼/通脹佔總收益比例：（需自行估算，無標準產品）
- 通證市值 / 年化網路協議營收的倍數：用於與傳統雲端商比較估值水平。
14.3 算力市場宏觀指標
- 全球資料中心 GPU 出貨量與平均售價：Jon Peddie Research、Mercury Research 等機構的季度報告。
- 主要雲端商資本支出與算力利用率資料：AWS / GCP / Azure 財報電話會中對 AI 相關資本支出的展望。
- 國際能源署（IEA）全球電力與資料中心用能趨勢：間接反映資料中心容量因子與 PUE 改進。
14.4 政策與監管
- 各國對算力出口管制、加密資產監管、資料跨境流動的法規更新。
- 中國“東數西算”後續工程進展、全國一體化算力網相關政策新聞。
15 信源
- Jon Peddie Research, 各季度 GPU 市場份額報告, https://www.jonpeddie.com
- Mercury Research, 各季度 GPU 與 CPU 市場份額報告
- NVIDIA Corporation, FY2024 年度報告（10-K）, 2024 年 2 月
- Uptime Institute, 年度資料中心調查與伺服器利用率相關報告, 2022 版
- Grand View Research, Cloud Computing Market Size & Share Report, 2023–2030
- Messari, Akash Q1 2024 Brief, DePIN Sector Reports 2023–2024, https://messari.io
- Akash Network, 官方文件與部落格, https://akash.network
- Render Network Foundation, 技術部落格與季度透明報告, https://rendertoken.com
- iExec, 技術白皮書與官網文件, https://iex.ec
- Golem Network, 官方文件與部落格, https://www.golem.network
- Token Terminal, 鏈上協議營收等資料面板, https://tokenterminal.com
- 國家工業和資訊化部，“東數西算”工程及資料中心建設相關資料通報, 2023
- 國際能源署 (IEA), Data Centres and Data Transmission Networks 報告
- 歐盟委員會, 《人工智慧法案》(2024)
注意：本概念頁所引用資料皆標明來源與年份口徑。對未揭露或無法獨立核實的資料，標註“公開資料未見”。本文件僅用於行業知識梳理和技術討論目的，不構成任何投資、交易或技術選型建議。