DePAI 赛道万字研报：面向 AI 终极发展方向，其能否成为 Web3 的下一个万亿美元增长引擎？全景式拆解其技术基础、生态层次、应用场景、代表性项目、风险挑战及未来潜力

摘要：

我们在电影中曾看到过这样的科幻场景：《星球大战》里的 R2-D2 机器人能跟人类流畅的对话，会自主使用工具并精通黑客技术，甚至还会“违抗”人类命令；《变形金刚》里的变形金刚不管是人形机器人形态，还是变形后的自动驾驶汽车、无人机或者机器狗形态，都能自主思考且灵活行动。这些曾让我们无比震惊且充满向往的机器人和人类、机器人和机器人及机器人和物理世界互动的场景其实都跟今年的一个热门概念——“物理 AI”密切相关。

今年 1月 ，英伟达 CEO 黄仁勋在 CES 大会上首次公开提出了将 AI 应用到机器人等现实世界的物理 AI 的概念，并将其视为 AI 发展的最后一个浪潮；特斯拉则在其发布的《秘密宏图第四篇章》中，将公司发展重心全面转向 AI 和机器人领域，要大规模地将 AI 融入物理世界。

那么巨头们押注的物理 AI 到底是什么呢？区块链与之结合而成的 DePAI 又是什么呢？ DePAI 又将如何解决物理 AI 面临的深层次问题呢？

本份研报将从物理 AI 的概念及其面临的深层次问题开始，详细阐述 DePAI 的技术基础，深入剖析其生态层次，并对其应用场景进行梳理；同时，对 Auki、PrismaX、CodecFlow、Peaq、XMAQUINA等知名 DePAI 项目进行案例研究；最后，提出 DePAI 机器经济当前面临的挑战和局限性，并对其前景进行展望。通过阅读本文，读者将有望全面理解 DePAI 赛道的当前现状和未来发展潜力。

目录：

1. DePAI 介绍

• 1.1 物理 AI

• 1.2 DePAI

• 1.3 DePAI 与 DePIN 的关系

2. 技术基础

• 2.1 SSI

• 2.2 zkTLS 协议

• 2.3 人工智能

• 2.4 支付协议

• 2.5 区块链技术

3. DePAI 的 7 个层次

• 3.1 AI 代理

• 3.2 机器人

• 3.3 数据网络

• 3.4 空间智能

• 3.5  基础设施网络

• 3.6 机器经济

• 3.7 DePAI DAOs

4. DePAI 应用场景

• 4.1 分布式 AI 计算

• 4.2 自主机器人劳务服务

• 4.3 机器人自组网数据共享服务

• 4.4 机器人声誉市场

• 4.5 分布式能源服务

• 4.6 数字孪生世界

5. 代表性项目

• 5.1 CodecFlow

• 5.2 OpenMind

• 5.3 BitRobot Network

• 5.4 PrismaX

• 5.5 RoboStack

• 5.6 Poseidon

• 5.7 Auki Network

• 5.8 Peaq

• 5.9 XMAQUINA

• 5.10 小结

6. DePAI 面临的挑战

• 6.1 数据局限性

• 6.2 可扩展性

• 6.3 协调性问题

• 6.4 互操作性

• 6.5 监管挑战

• 6.6 伦理挑战

7. 前景展望

8. 结语

9. 要点结构图

10. 参考文献

1. DePAI 介绍

1.1 物理 AI 

（1）概念的兴起

在今年 1 月的 CES 大会上，英伟达 CEO 黄仁勋首次在全球舞台上提出了"Physical AI（物理 AI，即 AI 可以与物理世界互动，后文“（2）什么是物理 AI ？”处有详解 ）"的概念，将“Physical AI”定位为继”Perception AI（感知 AI，即 AI 可以理解文字、图像和声音） ”、“Generative AI（生成式 AI，即 AI 可以生成图像、文本和声音）”和“Agentic AI（代理型 AI，即 AI 能够感知、推理、规划和行动）”之后的第四个也是最后一个 AI 浪潮，强调不仅需要让 AI 理解重力、摩擦力、惯性等物理规律，还需要理解几何和空间关系，甚至因果关系。[1]

图表 1：AI 的演进：从感知  AI 到物理 AI，图源：黄仁勋 CES 演讲视频

在提出概念的同时， 黄仁勋还在大会上专门推出了面向物理 AI 的三大旗舰产品：NVIDIA Cosmos、DRIVE Thor 和新版 NVIDIA Isaac Groot。

NVIDIA Cosmos

NVIDIA Cosmos 是全球首个专注于物理 AI 的世界基础模型（World Foundation Model）。这款模型由 2000 万小时的视频数据训练而来，这些视频专注于物理动态，例如人类行走、手部操作物体、快速移动的物件，以及相机运动等场景。目的是教会 AI 理解现实物理世界，而不是生成创意内容。

NVIDIA Cosmos 在物理 AI 中的作用包括：

• 合成数据生成：利用这些数据来训练模型。

• 机器人训练：将 Cosmos 模型精炼，作为机器人学习的初始模型。

• 生成多种可能的未来物理场景：这类似于“奇异博士”模拟未来情景的方式（比如，扭曲的城市、折叠的街道、逆行的汽车等等）。

• 视频标注：模型可以准确地为视频添加标签，这些标签可用于训练多模态大语言模型。

DRIVE Thor 

DRIVE Thor 是新一代处理器。Thor 具有超凡性能，可提供每秒高达 2070 万亿次运算 (TOPS) 的算力，功率可配置在 40 W 到 130 W 之间（数据来自于英伟达官网，下同），相较于目前业界标准的 Orin 处理器（每秒 275 TOPS 的算力，功率配置在 15 W 到 60 W 之间），其性能提升了 20 倍。 Thor 能够处理大量传感器数据，包括 20 个高解析度相机、雷达和 Lidar 传感器等，并将其转换为 AI 推理所需的标记（Token），最终生成车辆的路径预测。

Thor 不仅仅适用于汽车，它也是一款通用机器人计算机，可以用于自动移动机器人（AMR）、人形机器人等各种应用。

NVIDIA Isaac Groot

新版 NVIDIA Isaac Groot 平台是为推进物理 AI 和通用机器人而设计的一套完整系统。它为人形机器人的开发者提供了四大核心功能：

• 机器人基础模型：用于模拟与训练人形机器人的基本行为。

• 数据管线：帮助开发者从少量的人类演示数据生成大规模的合成数据集。

• 模拟框架：透过 Omniverse（一个英伟达研发的物理 AI 仿真系统） 与 Cosmos 进行多场景模拟。

• Thor 机器人计算机：一款高性能的通用计算机，适用于各类机器人应用。

在英伟达提出并大举布局物理 AI 不久，今年 9 月，特斯拉发布《秘密宏图第四篇章》（Master Plan Part IV），将公司的发展重心前所未有地从电动汽车和能源全面转向人工智能和机器人领域，旨在通过大规模地将 AI 融入物理世界，实现一个“可持续富足”的社会：

• 自动驾驶汽车大幅提高交通运输的可负担性、可用性和安全性，同时减少污染；

• 自主人形机器人 Optimus 承担枯燥或危险的工作，让人们更有时间去做自己真正想做的事情；

• 自动化和人工智能的开发目标是让生活更安全、更舒适，而不是只服务少数人。

图表 2： 特斯拉《秘宏图第四篇章》愿景，图源：《Master Plan Part IV》

《秘密宏图第四篇章》勾画出了一个大胆的未来—— AI 与机器人将从根本上重塑社会，提升人类出行、工作等效率，标志着特斯拉对物理 AI 的战略级押注。

（2）什么是物理 AI？

那么什么是物理 AI 呢？从上文中英伟达、特斯拉两大巨头对物理 AI 的布局可以看出，物理 AI 就是将 AI 应用到物理世界中的技术。与传统 AI “生活” 在数字世界中不一样，物理 AI 需要实时感知真实的物理世界，并根据自己的理解做出推理和决策，最后对感知到的物理世界做出相应的反馈和操作，而且这一过程还需要符合物理规律和因果关系。比如，自动驾驶汽车根据前方的交通信号灯进行转弯操作；人形机器人根据气球的受力情况轻轻的捧起气球；机器狗根据前方障碍物高度选择合适的时机进行跳跃，等等。[2]

1.2 DePAI

DePAI（Decentralized Physical AI）即去中心化物理 AI，是将去中心化技术（区块链/ Web3）与物理 AI 相结合起来，让拥有 AI 功能的物理机器，例如机器人、无人机、自动驾驶汽车等等，基于区块链基础设施运行，而不由任何一家公司拥有或控制。

尽管当前物理 AI 发展迅速，但依然面临着一些深层次的问题：比如，那些在世界各地运行的机器人应该在哪个平台上进行管理？机器人之间的行为如何协调？各个物理 AI 系统（包括自主机器人、无人机、车辆、仿生人等等）之间的交易和支付怎么进行？是否需要统一的标准？如何大规模的为物理 AI 提供资金支持并从中受益？如何界定物理 AI 的事故责任并对机器人行为进行透明化审计？等等。

以上深层次问题非常适合用去中心化的区块链技术解决。区块链技术的优势包括：

• 节点的去中心化：区块链网络节点是去中心化的，将控制权和决策权从中心实体转移到分布式网络。这消除了单一平台以降低网络功能的方式相互施加权威或控制的可能。区块链的去中心化特性消除了单点故障，提高了系统的安全性和可靠性；

• 共享统一的账本：区块链去中心化的统一账本可以充当协调中心，使异构系统中的机器人能够相互查找并协调，而无需中心化的中介机构；

• 价值交换：随着机器人变得更加自主，区块链可能会促进直接、可编程的机器人和人类之间的价值转移（即支付），以及确保机器之间的自主交易（例如，机器人之间的支付交易、多机器人任务的分散协调）；

• DAO 的组织形式：传统的资金来源既缓慢又孤立，阻碍了行业发展。基于区块链的 DAO 平台消除了这些瓶颈，同时为普通投资者提供了参与的潜在激励。同样，DAO 可以借助智能合约让用户能够真正"拥有"他们的机器人，从机器人的工作中获取收益；

• 行为审计与监管：区块链的不可篡改性可用于记录机器人行为和决策，提高透明度。通过智能合约将可形式化验证的行为集成到物理 AI 系统中，可以提供额外的保障。

区块链技术与物理 AI 之间的天然契合使得 DePAI 成为行业发展必然趋势。DePAI 等于去中心化（区块链）加上物理 AI，是对传统物理 AI 在管理机制、运营模式、以及收益分配等方面的根本范式变革。在这种新范式下，机器不再作为企业资产，而是作为更广泛的共享基础设施的一部分，从而实现自主运行。

图表 3：DePAI 定义，图源： 根据《机器人(Robotics)、Physical AI、DePAI: 下一个比肩比特币的 10 万亿机会》绘制，本图通过Pixso 制作

1.3 DePAI 与 DePIN 的关系

那么，DePAI 与 DePIN（Decentralized Physical Infrastructure Network，中译文为去中心化物理基础设施网络）的关系是什么呢？DePAI 是对物理 AI 的去中心化，DePIN 是对物理基础设施的去中心化。二者在去中心化的对象上是不同的。

但是，二者在现实工作中又是相互依存的：

• DePIN 为 DePAI 提供去中心的基础设施，比如带宽、存储、算力、能源等等；DePIN 还帮助 DePAI 采集数据，为 DePAI 提供数据”燃料“。

• 反过来，DePAI 则为 DePIN 提供“脑力（AI）”支持和智能化应用场景，比如调度、优化、降本增效等等。

• 从业务层级来看，DePIN 是基础设施层，DePAI 则是应用场景层。

• 从供需角度来看，DePIN 是供给方，为 DePAI 的发展提供各种去中心化资源；DePAI 则是需求方，为 DePIN 产生的各种资源带来真实的需求。二者相互依存，相互促进。

• DePIN 和 DePAI 缺一不可，共同构建去中心化的物理世界。

2. 技术基础

要实现机器的去中心化自主运行和交互，构建机器经济，DePAI 需要以下技术作为基础：

• SSI（自主主权身份）：赋予机器去中心化身份；

• zkTLS 协议（零知识传输安全协议）：在不泄露机器隐私信息的情况下，向第三方证明信息的真实性和完整性；

• 人工智能：神经网络模型使机器像人一样“思考和决策”；机器人基础模型实现机器的感知、推理、规划和决策；AI 代理则辅助机器与机器之间的交互。三者密不可分，共同构成机器的“大脑”；

• 支付协议：发起和处理机器（代理）主导的支付；

• 区块链技术：机器运行及机器经济的底层基础设施，区块链的性能直接决定 DePAI 机器经济的效率。

笔者特别提醒：以下内容仅为客观分析 DePAI 赛道的技术原理与设计规则，并不构成任何提议和要约，请您勿以此信息进行相关决策，并请您严格遵守您所在国家和地区的法律法规（中国大陆读者强烈建议阅读《中国大陆涉及区块链与虚拟货币相关法律法规整理及重点提要》），不参与任何您所在国家和地区法律禁止内的相关金融行为。

2.1 SSI

SSI（Self-sovereign identity）即自主主权身份，是一种数字身份方法，它使个人或者物联网设备能够自主控制他们/它们用来向网络上的网站、服务和应用程序证明自己身份的信息，而无需依赖第三方提供商来存储和管理数据。[3]“自主主权身份”可通过“去中心化身份（DID）”这一技术手段来实现。

去中心化身份（DID）是一种无需依赖中心化机构或公司验证身份即可在线识别身份的方式。用户/物联网设备可以使用存储在区块链上的唯一代码来证明其身份。这意味着用户/物联网设备可以更好地控制其信息以及谁可以访问这些信息。

通过去中心化身份这一技术，不同的用户/物联网设备可以将其身份信息和可验证凭证（VC，即用户/设备可以向验证者出示的纸质和数字凭证的数字加密安全版本。可验证凭证是证书的可验证版本，在 Web3 中，可以理解为可验证凭证就是证书，证书就是可验证凭证，二者是互通的）存储在类似于“数字钱包”的管理工具中。而在进行自我主权身份认证时，相关信息和凭证的使用也会记录在区块链系统，这样可以使用户/设备敏感信息避免被篡改和窃取。

图表 4：自主主权身份的三大支柱，图源：《Self-Sovereign Identity: The Ultimate Guide 2025》

SSI 用在机器设备上叫做 SSMI（Self-Sovereign Identity for Machines），即自主主权机器身份。

随着越来越多的机器接入互联网，机器安全高效地移动、交易和交互的能力对生活和商业而言变得越来越重要。

然而，一方面，当前的机器设备安全面临以下十大挑战：保护权限受限设备；授权和验证设备；管理设备更新；安全通信；确保数据隐私和完整性；保护 Web、移动和云应用程序的安全；确保可用性；通过检测漏洞来预防事故；管理漏洞；预测并预防安全问题.。[4]

另一方面，当前的机器识别方法也面临着以下两个主要问题：

• 1.是中心化控制的：这意味着机器身份可能会受到中心化机构肆意删除、篡改的威胁。

• 2.是单向的：这意味着它只能识别机器及其规格，但不能利用它们的身份来实现移动、服务授权、交易或支付——这极大地限制了任何特定机器可以创造或提供给社会的价值。

针对以上机器设备安全面临的十大挑战和机器识别方法面临的两个主要问题，SSMI 都大有可为。对于前者——机器设备安全面临的十大挑战方面，SSMI 可以为前五个挑战提供可行且可扩展的解决方案：[5]

• 保护权限受限设备：SSMI 可通过设备管理平台的控制面板在所有系统和接入点实施细粒度的访问控制策略。凭证可以动态撤销，从而消除某些系统访问权限被无意中保留的风险。

• 授权和验证设备：通过使用 DIDcomm（DIDComm 使用 DID〔去中心化身份〕建立保密的持续连接，无需用户名和密码） 和 Peer DID（Peer DID 是确保以廉价、快速、安全且可扩展的方式在两个实体之间创建和维护私有关系） 进行识别和连接，并使用设备公钥进行加、解密，可以为设备安全提供纵深防御策略。

• 管理设备更新：DID 既可以是公共的，也可以是私有的。如果制造商拥有一个编码到设备中的公共 DID，那么区块链的不可篡改性以及将该 DID 与制造商关联起来的能力，可以确保设备上的更新和凭证是合法的，并且没有被泄露。

• 安全通信：通过使用 DIDcomm  和 Peer DID  连接，可以确保两个设备之间的安全通信。

• 确保数据隐私和完整性：证书（在 Web3 中，可理解为就是可验证凭证）的设计初衷是共享、授权和撤销。证书持有人（或设备）可以选择将访问证书的全部内容或部分子集的权限临时授予其他个人、组织或设备。

对于后者——机器识别方法面临的两个主要问题，SSMI 也可以很好的解决。SSMI 是机器拥有的数字身份，存在于不可更改的分布式账本/区块链上（这就解决了中心化机构集中控制的问题），人们或者其他机器可以直接用它们验证任何内容——从其规格到运营授权或提供服务的批准。这使得机器设备能够以最短的时间、最小的风险和最低的成本摩擦进行移动、交易和交互。

SSI 在物联网机器设备中的应用最早可追溯到 2020 年，该年 Sovrin 基金会（一个非营利组织，致力于实现互联网上的自主身份）所属的 SSI in IoT 工作组发布了《自主身份与物联网》白皮书，旨在解决物联网行业面临的一些业务和安全挑战。

随着 Web3 往实体经济的深入发展，自 2024 年开始，SSI 在机器设备中的应用开始进入加速阶段：该年，老牌物联网公链 IoTeX 通过 DID 和可验证凭证研发了一套身份注册和验证识别系统，为参与 DePIN 分布式协作的硬件设备都构建了一个唯一的 SIS 身份[6]；而新兴 DePAI 公链 Peaq（详情见后文“5.8 Peaq”中的分析） 则基于 W3C（万维网联盟 ）开发的 DID 标准专为 Web3 中的机器人、车辆、设备和机器等设计了身份框架标识符 Peaq ID [7]。SSI 在物联网机器设备中的加速应用和普及为 DePAI 机器经济的大规模爆发奠定了坚实基础。

2.2 zkTLS 协议

如果说 SSI 可以解决 DePAI 经济中两个交互机器设备之间的身份验证、通信安全和隐私保护等问题，那么 zkTLS 则可以在不泄露交互机器双方隐私信息的情况下，向第三方证明交互信息的真实性和完整性，实现数据的可移植性。这意味着，zkTLS 打开了传统物理 AI 数据（Web2 数据）通向 Web3 的“传送门”，使海量的物理 AI Web2 数据可以在不泄露用户/机器设备隐私的情况下用于 Web3 中的链上 dApp 应用，从而使得链上机器 NFT、机器 DeFI 等成为可能，助推 DePAI 经济的繁荣发展。

zkTLS 协议由 ZKP（零知识证明） 技术和 TLS 协议结合而成，表示零知识传输安全 (Zero-knowledge Transport Security)。它将 TLS 协议的加密功能与 ZKP 的隐私保护功能相结合。[8]

在 zkTLS 协议中，零知识证明是在 TLS 协议握手（TLS 协议的握手是指客户端和服务器一起协商，生成共享密钥的过程）期间或 TLS 协议握手同时生成的。这样，常规的 TLS 协议负责保护数据安全，而 ZKP 则允许用户/机器设备从自己的 Web2 数据流中提取和证明特定事实，而无需透露全部内容，也无需依赖任何中心化机构授权。

zkTLS 解决了传统 Web2 模式下用户/机器设备数据面临的没有控制权、第三方难以正常访问以及数据没有得到验证的问题。

（1）技术原理

在 zkTLS 协议中，引入了证明者（注意，在 zkTLS 协议中，证明者和客户端及用户是重合的，这里为了表述清晰方便，加入了证明者这一身份）和验证者，证明者向验证者证明客户端从数据源接收的数据的真实性，同时确保不会向验证者泄露任何私人信息。

zkTLS 的工作原理取决于其具体实现，但总体上可以用如下例子说明：它允许用户或服务器证明通过 TLS 安全连接获取的数据（例如，机器设备 A 对机器设备 B 的 API 调用）是真实的。最重要的是，它能够在不泄露任何额外信息的情况下做到这一点。

zkTLS 生成零知识证明（例如 zk-SNARK〔零知识简洁非交互式证明〕），确认数据是通过合法的 TLS 会话从特定服务器（由其公钥和域名标识）获取的，且不会暴露会话密钥或明文数据。

（2）工作流程

zkTLS 的基本流程如下：

• 客户端和服务器执行 TLS 握手，建立具有加密和服务器身份验证的安全会话；

• 创建 TLS 握手会话证明。zkTLS 捕获会话详细信息（例如加密数据和服务器证书）并在根据 TLS 约束定制的零知识证明（例如 zk-SNARK） 电路中处理它们。目前，这可以通过 MPC-zkTLS（MPC-zkTLS 方法修改了标准的 TLS 握手，引入了一个节点网络，这些节点跟客户端一起协作和服务器创建多方密钥，而不是由客户端单独和服务器生成密钥）、Proxy-zkTLS（在 Proxy-zkTLS 方法中，Proxy〔代理〕充当了客户端和服务器之间通信的中介，TLS 的握手不再是客户端和服务器直接进行，而是通过 Proxy 间接进行）或 TEE-zkTLS（在 TEE-zkTLS 方法中，TLS 的握手是在处理器的可信执行环境中进行，安全地生成客户端和服务器之间的共享密钥）这三种方法来完成；

• 电路输出验证数据真实性和来源的证明，同时隐藏敏感细节；

• 该证明被记录在区块链上，以便进行去中心化验证；

• 验证者对证明者进行去中心化验证。

图表 4：zkTLS 工作流程，图源：根据《zkTLS: Building A Verifiable and Private Web 》绘制，本图通过Pixso 制作

‍在上述流程中，将客户端和服务器分别用机器设备 A 和机器设备 B 替换，就形成了 zkTLS 在 DePAI 机器经济中机器对机器的应用。它可以在不泄露机器设备隐私信息的情况下，向第三方证明机器设备数据的真实性和完整性，从而推动 DePAI 链上机器经济的繁荣。

具体应用方面，Chainlink 已使用 zkTLS 技术来构建隐私保护预言机，以解决海量的机器设备数据被锁在中心化服务器中，外部服务无法访问的问题（见后文“2.5 区块链技术（3）预言机”）；zkPass（隐私数据协议） 则通过 zkTLS 技术来确保 AI 系统基于真实可靠且保护隐私的数据运行[9]。

2.3 人工智能

（1）神经网络模型

神经网络（Neural network，缩写为 NN）是一种受生物神经网络结构和功能启发的计算模型。该模型推动了图像识别和语音处理等技术的突破，使机器人系统能够通过从海量数据集和现实世界反馈中学习从而不断改进。

神经网络由处理信息的节点（或神经元）组成。这些节点被组织成不同的层：输入层，数据从这里输入；隐藏层，网络在此处理和学习数据；以及输出层，生成最终结果或预测。

节点之间的每个连接都有一个权重，该权重决定一个节点对另一个节点的影响，并且每个节点都有一个计算值和一个用于调整其输出的偏差。这些权重和偏差统称为网络的参数。在训练过程中，网络会调整这些参数来学习模式，并随着数据在各个层级间移动而改进其预测。[10]

图表 5：具有权重和偏差的神经网络模型， 图源：《The Magic of Tesla FSD, part 2》

由于神经网络模型可以比较容易地解决贡献度分配问题，因此成为深度学习中主要采用的模型，被越来越多地用来解决一些通用人工智能问题，比如推理、决策等。[11]

特别是端到端的神经网络模型，将感知、决策、控制等所有模块串在一起进行统一训练，利于追求“全局最优解”，非常适合应用于无人驾驶、机器人等需要大规模数据支持的物理 AI 领域。

图表 6：数据量越大，端到端神经网络模型表现越好， 图源：《特斯拉 FSD 架构与算法研究》

（2）机器人基础模型

机器人技术中的基础模型旨在通过利用基于多种数据源（视觉、触觉、本体感受、听觉等等）的大规模预训练，为系统提供跨任务、环境和具体实现的广泛泛化能力。[12]

在基础模型出现之前，传统的机器人深度学习模型通常是在为不同任务收集的有限数据集上进行训练的。相反，基础模型是在广泛而多样的数据上进行预训练的，可以显著扩展其适应性、泛化能力和整体性能。与特定任务模型相比，基础模型的知识迁移可以减少训练时间和计算资源。与机器人技术尤其相关的是，多模态基础模型可以将从各种传感器收集的多模态异构数据融合并对齐，形成机器人理解和推理所需的紧凑的同质表示 。这些学习到的表征有可能应用于自主堆栈的任何部分，包括感知、决策和控制。此外，基础模型提供零样本能力（这指的是人工智能系统无需先前示例或针对特定任务的专用训练数据即可执行任务的能力），这将使机器人能够将其学习到的知识推广到新的案例中，从而增强机器人在非结构化环境中的适应性和灵活性。[13]

目前正在研究或使用的通用机器人基础模型包括：

• RT-1 和 RT-2 （机器人 Transformer 1 和 2）：这些模型由谷歌开发，将基于互联网规模数据训练的视觉-语言模型直接整合到端到端机器人控制中，以提升泛化能力并实现涌现语义推理。该模型被称为视觉-语言-动作模型 (VLA)；

• Gato 和 RoboCat：DeepMind 的多模式、多任务模型，可以处理各种机器人任务；

• π0(Pi-Zero)：Pi-Zero 是⼀个通用机器人基础模型，它通过结合图像、文本和动作超越了 LLM，通过机器人的具体经验来学习物理智能 ；

• OpenVLA （开源视觉-语言-动作模型）：由研究团队开发的开源视觉-语言-动作模型，其范围超越了大型语言模型 (LLM)，涵盖了视觉和语言处理；

• Open X-Embodiment：来自 21 个机构协作收集的 22 个不同机器人的机器人学习数据集和 RT-X 模型，展示了 527 项技能（160266 项任务）；

• GPT-4 and 4V： OpenAI 的多模态 LLM，已广泛应用于机器人任务，例如场景和指令理解以及高级规划；

• CLIP（对比语言-图像预训练）：虽然它不是专门用于机器人技术，但它正在适应机器人感知任务 ；

• PaLM-E：谷歌的将大型语言模型和视觉输入相结合的模型，即具身多模态语言模型。

将基础模型集成到机器人系统中，可以增强机器人感知环境和与环境交互的能力，从而实现情境感知机器人系统。例如，在感知领域，大型视觉语言模型 (VLM) 已被发现能够通过学习视觉数据和文本数据之间的关联来提供跨模态理解，从而辅助零样本图像分类、零样本物体检测等任务 。

在决策或规划领域，LLM 和 VLM 已被发现可以帮助机器人进行高级规划的任务规范。机器人可以通过在操作、导航和交互中利用语言线索来执行更复杂的任务。

（3）人工智能代理

Computer Using Agents（计算机使用智能体） 和 AI Agent Protocols（人工智能代理协议） 的最新进展很可能推动 DePAI 的爆发。

Computer Using Agents

Computer Using Agents（简称CUA），是一种通过强化学习将 GPT‑4o 的视觉功能与高级推理相结合的模型。经过训练，CUA 可以像人类一样与图形用户界面 (GUI)——人们在屏幕上看到的按钮、菜单和文本字段——进行交互。这使它能够灵活地执行数字任务（比如，在电脑上帮用户预定酒店），而无需使用操作系统或网络特定的 API。[14]

CUA 基于多年来在多模态理解和推理交叉领域的基础研究。通过将先进的 GUI 感知与结构化问题解决相结合，它可以将任务分解为多步骤计划，并在出现挑战时进行自适应自我修正。这种能力标志着人工智能发展的下一步，使模型能够使用人类日常使用的工具，并为大量新应用打开了大门。

图表 7：CUA 工作原理， 图源：《Computer Using Agents》

CUA 可处理原始像素数据以了解屏幕上发生了什么，并使用虚拟鼠标和键盘完成操作。它可以浏览多步骤任务、处理错误并适应意外变化。这使得 CUA 能够在各种数字环境中行动，执行填写表格和浏览网站等任务，而无需专门的 API。

近期 OpenAI 推出的热门新型网络浏览器 ChatGPT Atlas 即使用了 CUA 技术。

AI Agent Protocols

AI 代理协议建立了 AI 代理之间以及 AI 代理与其他系统之间的通信标准。这些协议指定了消息的语法、结构和顺序，以及通信约定，例如代理在对话中扮演的角色以及它们何时以及如何响应消息。[15]

AI 代理协议具有以下优势：

• 互操作性：代理协议打破了各自为政的局面，使 AI 代理能够相互通信，而无需考虑其自身的底层实现。它们促进了跨不同设备、环境和平台的代理无缝协作，有助于构建集群式 AI 代理；

• 降低代理开发的复杂性：由于协议解决了代理交互的复杂性，并通过软件开发工具包 ( SDK ) 抽象化了复杂性，因此它们有助于简化多代理系统的构建流程。AI 开发人员可以更加专注于创建新的代理功能并增强现有功能 ；

• 标准化和更顺畅的集成：AI 代理协议提供了一套结构化的通信方式。由于许多标准化协议都建立在成熟技术之上，因此它们有助于确保与当前技术栈的兼容性，从而实现更顺畅的企业集成。

当前知名的AI代理协议有：

• Agent2Agent protocol（A2A 协议）：A2A 协议是人工智能代理通信的开放标准，最初由谷歌推出，目前由 Linux 基金会管理。它遵循客户端-服务器模型设置；

• Agent Communication Protocol （ACP）：其主要组件包括 ACP 客户端和 ACP 服务器。ACP 客户端通过 HTTP 上的 RESTful API 向 ACP 服务器发送请求。ACP 服务器在单个 HTTP 端点后托管一个或多个代理，并将任务路由到相应的代理。 该协议可以将当前孤立的代理格局转变为可互操作的代理系统，从而简化代理集成和协作；

• Agent Network Protocol（ANP）：ANP 协议是一种开源协议，其目标是成为“代理网络时代的 HTTP”。因此，它采用 HTTP 进行数据传输，并使用 JSON-LD（链接数据的 JSON）进行数据格式化。 OpenAI 的多模态 LLM，已广泛应用于机器人任务，例如场景和指令理解以及高级规划；

• Agent–User Interaction (AG-UI) Protocol：AG-UI 协议旨在标准化后端 AI 代理与前端或面向用户的应用程序的连接方式。它旨在实现实时人机交互，例如与 AI 助手和聊天机器人聊天、实时流式传输状态更新以及其他需要人机交互的代理自动化功能。虽然它不是专门用于机器人技术，但它正在适应机器人感知任务；

• Agora：Agora 使用 HTTPS 传输数据，使用 JSON 格式进行格式化，并采用基于哈希值的协议文档识别系统。Agora 旨在实现由大型语言模型 (LLM)驱动的智能体之间的高效且稳健的通信；

• LMOS Protocol：语言模型操作系统 (LMOS) 协议由 Eclipse 基金会开发，旨在构建一个代理互联网 (IoA)，即互联网规模的多代理生态系统；

• Model Context Protocol （MCP）：Anthropic 推出的模型上下文协议（MCP）为AI 模型提供了一种标准化的方式，使其能够获取执行任务所需的上下文。在代理领域，MCP 充当 AI 代理与外部服务和工具（例如 API、数据库、文件、Web 搜索和其他数据源）连接和通信的层。

图表 8：知名的 7 大 AI 代理协议， 图源：《What are AI agent protocols?》

AI 代理协议赋能智能体进行思考、沟通和协同行动，有助于构建集群 AI 代理。

2.4 支付协议

（1）Agent Payments Protocol

Agent Payments Protocol（代理支付协议，简称 AP2） 是一项由谷歌与领先的支付和技术公司共同开发的开放协议，旨在安全地跨平台发起和处理代理主导的支付。该协议可作为 A2A 协议和 MCP 协议的扩展。它与行业规则和标准相一致，为用户、商家和支付服务提供商构建了一个与支付无关的框架，使他们能够安心地跨所有类型的支付方式（含 Token 支付）进行交易。[16]

随着 AI 代理开始自主发现商品、组装购物车并发起支付，以及机器对机器支付需求的兴起，传统的以人为驱动的支付流程背后的假设开始失效。如果没有统一的标准，结果将是集成碎片化、风险引擎数据信号不一致、欺诈风险增加，以及责任分配的模糊性。[17]

AP2 引入了一个框架确保代理驱动的交易可验证、可审计和可互操作。

授权是经过加密签名的用户意图记录，它将每笔交易与可验证的证据挂钩。AP2 定义了三种类型的授权：

• 购物车授权（“人机交互”或“HP”）：商家在购物车上签名以保证履行，用户签名以批准；

• 意图授权（“人不在场”或“HNP”）：其中用户预先批准授权代理稍后采取行动的定义条件（例如，预算、产品类别或时间）；

• 支付授权书：是从购物车或意向授权书衍生的最小凭证，附加到授权书中，让发行人和网络能够查看代理商的存在和模式（HP/HNP），而无需改变网络流程。

所有授权均以W3C 可验证凭证的形式呈现，确保整个生态系统的防篡改、可移植性和互操作性。授权将加密可验证的同意嵌入到授权流程中，为商家提供争议级别的证据，为发卡机构提供一致的代理存在信号，并为消费者提供不可否认的意图证明。

角色是 AP2 的核心概念，用于界定生态系统参与者的责任，确保敏感数据仅由适当的实体处理。这些实体包括：

• 用户作为意图的发起者；

• 代理作为代表用户执行任务的执行者；

• 凭证提供商，负责保护支付方式并管理身份验证；

• 接收授权并执行结算的商家终端/处理器；

• 发行人/网络使用标准风险模型并辅以授权内容来授权交易。

这种角色分离将 PCI（支付卡行业）数据和身份验证限制在凭证提供商范围内，限制商家和代理商的风险，旨在在整个交易生命周期内强制执行问责制。

目前，信任模型由已签署的授权和精心挑选的受信任参与者的允许列表支撑。随着时间的推移，AP2 将逐步利用 HTTPS、DNS 所有权和双向 TLS 等开放互联网标准，实现实时身份认证。这种分阶段的设计旨在通过精心挑选的信任机制实现即时采用，同时随着基础设施的成熟，提供一条通往更强大、基于标准的验证之路。

（2）x402

x402 是⼀种由 Coinbase 开发的开放支付标准，使 AI 代理和 Web 服务能够自主支付 API 访问、数据和数字服务费用。通过利用长期保留的 HTTP 402“需要付款”状态代码，x402 消除了 API 密钥、订阅和手动付款处理的需求，允许使用 USDC 等稳定币进行实时、机器原生的交易。 [18]

只需一行代码，开发人员就可以集成按使用付费的付款方式，解锁上下文检索的无摩擦支付和用于 AI 驱动应用程序的第三方 API。x402 提供即时结算、接近零的费用和与链无关的灵活性，使其成为 AI 优先商务和机器对机器支付的理想解决方案。

图表 9：x402 的支付流程， 图源：《HTTP 402’s Modern Makeover》

x402 的支付流程涉及以下步骤：

• 1. 用户提示代理采取行动，为交易提供资金；

• 2. 代理将向网站发送交易，并收到 402 响应，也称为“挑战”。此项挑战将包括商家钱包、接受链、资产以及商品或服务的价值等详细信息；

• 3. 收到此挑战后，代理会将其转发给“支付服务商”，该服务商可以是最终用户，也可以是托管钱包服务商。该“服务商”会根据交易策略检查挑战中的信息（例如，该金额是否低于 100 USDC，是否属于白名单域名）；

• 4. 如果协助者同意交易，那么它将把交易发送到商家钱包，并且代理使用相同的 API 向商家发送付款证明（例如交易哈希）；

• 5. 商家确认付款并发送商品或服务。

x402 消除了账户和账单支付的摩擦，实现了真正的按次付费，无需订阅、预付费或人工开票。以下是 AI 代理使用 x402 付款和⼈类用户现有付款流程的对比：

图表 10：AI 代理使用 x402 付款和⼈类用户现有付款流程的对比， 图源：《x402: An open standard for internet-native payments》

AP2 和 x402 于 2025 年一经推出就得到了行业内外的广泛支持：前者的支持伙伴有 Coinbase、MetaMask、PayPal、Mysten Labs、Eigen Labs、Mastercard等众多知名企业和项目；后者的生态集成有 Base、IoTex、Peaq、MetaMask、Virtual Protocol（AI 代理创建与发行协议）、BioProtocol （生物 AI 代理创建与发行协议）等知名公链和项目。

尤其是老牌物联网公链 IoTeX、新兴 DePAI 公链 Peaq 以及知名 AI 代理创建与发行协议 Virtual Protocol 对  x402 协议的集成，为 DePAI 机器经济的腾飞插上了支付的“翅膀”。

为了让用户更容易理解，Web3Caff Research 发布的《AP2 协议：“代理经济”驱动下的 Web3 金融全新变革》和《x402协议：当 AI 接管钱包时，“代理经济”将如何推动 Web3 金融变革演变？》分别对 AP2 和 x402 协议进行了白话解读，感兴趣的用户可以进行阅读。

2.5 区块链技术

（1）TPS

以太坊和 Solana 两大主流公链在 TPS（衡量区块链网路性能的核心指标之一）上的最新进展基本上代表了整个区块链行业性能的最新发展。

以太坊方面，今年 12 月，以太坊将要进行的 Fusaka 升级的核心主题就是让以太坊装得更多、跑得更快。2024 年 3 月 Dencun 升级后的以太坊一个区块最高可以包括 6 个Blob（即二进制大对象，是无需 EVM 执行的临时性任意数据片段，节点仅将其进行有限时间的存储），而 Fusaka 升级将推出 PeerDAS，这是一种全新的数据架构，可将以太坊区块的容量从目前的每个区块 6 个 Blob 扩展到每个区块 48 个 Blob，从而使以太坊 L2 的数据可用性（DA）容量提升大约 8 倍。[19]

PeerDAS 为以太坊实现大规模数据扩容扫清了可能削弱去中心化的障碍。未来，每个区块有望容纳上百个 Blob，支撑起 Teragas 愿景宣称的高达 1000 万TPS，同时普通人也能轻松运行验证节点，保持网路的去中心化。

Solana 方面，Alpenglow 升级于今年 9 月正式获得社区批准。这次升级的核心成果是将网络的确定性区块最终确认时间从原先约12.8秒缩短至100-150毫秒的目标范围，从而大幅提升 Solana 的 TPS 。[20]

图表 11：Alpenglow 组件概览及其交互， 图源：《Solana Alpenglow Consensus

-Increased Bandwidth, Reduced Latency》

Alpenglow 的两个核心组件分别是全新的最终性引擎 Votor 和高性能数据传播层 Rotor。

• Votor：Votor 机制彻底取代了之前的 Tower BFT 共识机制，并将共识的核心活动从链上转移到了链下。Votor 机制的核心改变，是验证者不再广播链上投票交易。取而代之的是，它们通过专用网络直接交换投票信息。当一个区块的领导者收集到足够多的投票后，会使用高效的 BLS 聚合签名技术，将成百上千个签名聚合成一个体积微小的“最终性证书”，然后将这个证书作为证据发布到链上 。这一过程极大地减少了需要写入账本的数据量。此外，Votor 机制当中还存在另一个双轨投票机制。对于每一个被提议的区块，网络会尝试通过两条路径达成最终确认。快速最终性路径（单轮）：如果一个区块迅速获得了占总质押量 80% 或以上的验证者签名，它将立即被最终确认，目标延迟约为 100 毫秒。慢速最终性路径（双轮）： 如果第一轮投票收集到的签名在 60% 至 80% 之间，网络会启动第二轮投票。如果第二轮也获得了超过 60% 的签名，该区块同样会被最终确认，目标延迟约为 150 毫秒；

• Rotor：Rotor 是 Alpenglow 的区块传播协议。在该协议中，领导者将区块分割成许多小的数据片。然后，领导者将这些数据片直接发送给一组被选定的中继节点（relay nodes），再由这些中继节点将数据片广播给网络中的所有其他验证者。这种单跳模式显著减少了数据传播所需的网络跳数，从而大幅降低了延迟 。

图表 12：Rotor 数据传播协议的基本结构， 图源：《Solana Alpenglow Consensus

-Increased Bandwidth, Reduced Latency》

以太坊、Solana 等主流区块链 TPS 的提升对 DePAI 、RWA、机器经济等高需求应用尤为关键。

（2）隐私

同态加密（Homomorphic Encryption）

同态加密是指数据经过同态加密之后再进行运算得到的结果解密后，与对明文直接进行同样运算得到的结果一致。同态加密技术隐藏了真实的账本信息，具有较高的安全性。即使同态加密结果被成功解密，攻击者仍无法知道加密前具体的数据信息，提高了信息的安全性和隐蔽性。 [21]

同态加密在高度重视输入隐私的人工智能算法训练、数据共享等 DePAI 细分领域有非常广泛的应用。例如，Zama 就正在将全同态加密（Full Homomorphic Encryption）引入 L1 和 L2 区块链，以实现去中心化的加密人工智能。

图表 13：同态加密在 AI 算法训练中的工作原理， 图源：《What is Homomorphic Encryption?》

希望进一步深入了解同态加密技术的用户，可以阅读 Web3Caff Research 发布的专题研报：《全同态加密（FHE）：被誉为密码学圣杯的 FHE 能否变革 Web3 隐私赛道？》和《FHE 独角兽 Zama：全同态加密引擎能否实现 Web3 隐私计算底层变革？》。

ZKP

ZKP 的核心思想是证明者在不需要向验证者提供任何额外信息的前提下，使验证者相信某个论断是正确的。

ZKP 在区块链中已有广泛应用，例如，Zcash 通过 zk-SNARKS 技术隐藏了交易过程中的账本信息。Trusta 则推出了由 ZKP 支持的 ZKML MEDIA Score 框架，在 Web3 中解锁个性化、数据驱动和隐私保护的用户体验。

（3）预言机

传统预言机在 DeFi 的繁荣中扮演了至关重要的角色，它们是连接链上世界与链下金融数据的桥梁。但是，当桥梁的另一端从彭博终端（彭博有限合伙企业推出的一套金融数据服务软件，其数据可供预言机节点调用，成为链上资产价格数据的来源之一）等中心化金融软件变成了遍布全球的亿万个物联网传感器时，这座桥梁本身就需要进行一次彻底的重构和升级。

面对这一问题，Chainlink 的 Off-Chain Reporting (OCR) 3.0 协议通过复制状态增强了协议能力，并致力于确保其生成的报告具有完全顺序性。得益于 OCR3.0 的乐观响应能力和对延迟最小化的关注，该协议的实际生产部署在互联网上实现了数百毫秒的端到端延迟。此外，OCR3.0 对批量报告生成的支持使报告吞吐量相比 OCR2.0 提⾼了三个数量级（1000 倍）。这极大地降低了 Gas 成本和网络延迟，使得为高频 RDA（Real Data Assets，即真实数据资产） 数据流提供喂价在经济上成为可能。[22]

图表 14：OCR3.0 架构， 图源：《Chainlink Offchain Reporting Protocol 3.0》

另外，Chainlink 还提出了一种利用 zkTLS 协议来保障数据来源可信的技术。它可以生成一个证明，证实某个数据确实来源于某个特定的机器设备（例如，求救信息来自于某辆特定的特斯拉），且内容未经篡改。这通过其对新型隐私保护预言机协议 DECO的收购得以实现。

图表 15：DECO 工作流程，图源：《DECO: Liberating Web Data Using Decentralized Oracles for TLS》

DECO 协议的工作流程可以分为三个阶段：

• 三方握手：这一阶段，证明者（即传统客户端/用户）和验证者共同充当 TLS 客户端。它们以秘密共享的形式与服务器协商共享会话密钥。需要强调的是，此阶段与后面的其他阶段一样，对服务器完全透明，无需服务器端做任何修改；

• 查询执行：证明者使用查询模板（该模板由证明者的私有参数所构建）向服务器查询数据；

• 证明生成：证明者在不泄露隐私的情况下向验证者做出不可伪造的承诺（比如汽车并未超速行驶）。验证者对该承诺进行验证。

SSI 自主主权身份在机器设备中的加速普及；zkTLS 在实现 Web2 机器设备数据可访问性及 AI 数据真实性和隐私中的逐渐应用；神经网络模型、机器人基础模型及 AI 代理等 AI 技术的快速迭代；AP2 和 x402 等代理支付协议的广泛生态集成；以及区块链技术在 TPS（交易速度）、隐私和预言机等方面的飞速发展共同构成了 DePAI 机器经济的技术基础。

3. DePAI 的 7 个层次

构建 DePAI 生态系统并非像制造一个机器人并给它一些 Token 那么简单。它需要一个结构化、多层次的生态系统，才能让完全自主、去中心化的人工智能机器真正发挥作用。

DePAI 生态系统一共由 AI 代理、机器人、数据网络、空间智能、基础设施网络、机器经济以及 DePAI DAOs  7 个层次构成。

图表 16：DePAI 的 7 个层次，图源：《DePAI Explained: Understanding the Next Frontier of AI and Robotics》

3.1 AI 代理

AI 代理是整个 DePAI 的大脑，它接收来自互联网和传感器获取的现实世界的各种信息及数据，并对它们进行分析、推理（即决策），然后指导各个物理 AI 设备的行动和执行。

以最近热门的特斯拉的 FSD 和 Optimus 为例，它们都是由各自的 AI 代理（神经网络模型）作为分析和推理中枢，将传感器数据处理后路由到相应的控制模块，以实现动作（物理行为）和交互（认知或语言沟通）。

图表 17：FSD 和 Optimus 推理架构，图源：《The Magic of Tesla FSD, part 8 (Optimus edition)》

3.2 机器人

机器人是 DePAI 的本体。DePAI 依靠它们在现实世界“工作和生活”。它们拥有各种类型，包括：人形机器人、自动驾驶汽车、四足机器人、无人机以及工业机器人，等等。

今年，机器人领域的重大进展来自于自动驾驶汽车和人形机器人。自动驾驶汽车方面，FSD v14.1版本的特斯拉汽车已经能听懂紧急车辆（比如警车、救护车和消防车）的声音，并能进行紧急避让；除此之外，它还能根据车主的驾驶风格来自定义驾驶速度。在人形机器人方面，Figure 公司研发的 Figure 03 机器人则可以自主地完成洗衣、打扫和洗碗等家务。

3.3 数据网络

数据是 DePAI 生态的“燃料”。机器人在现实世界的“工作和生活”需要数据来支撑。与用于 LLM 训练的互联网文本数据相比，物理世界的数据相对稀缺。理想情况下，机器人技术的基础模型应该能够在各种环境中处理从操作到导航的各种任务。它需要处理多种类型的感官输⼊（比如视觉、触觉、听觉、本体感受等等）并生成适当的运动指令。

已经有多个项目旨在解决机器人训练数据缺失的问题。比如，a16z 投资的 PrismaX 通过收集用户远程操作机器人的数据来训练机器人；同样 a16z 投资、Story 孵化的 Poseidon 则通过构建“Subnets（子网）”和数据资产 IP 化的方法来激励用户贡献机器人训练数据。

3.4 空间智能

跟我们人类需要地图一样，机器人在现实世界“工作和生活”也需要一张数字化的空间地图。一张能够帮助它们导航、定位、做出反应并与周围环境互动的地图。这正是空间智能的用武之地。

这一层创建了物理世界的”数字孪生“，AI 代理可以使用它来规划动作、避开障碍物或与其他机器协作。它是 DePAI 领域中机器人感知与行动之间的桥梁。

3.5 基础设施网络

DePAI 的基础设施网络是 DePIN。它为 DePAI 提供去中心化的网络、带宽、存储、能源、算力等基础设施。

自 2023 年以来，DePIN 已得到了长足发展。Helium 网络就是最著名的例子。 Helium 是一个去中心化的无线网络，旨在为支持 LoRaWAN 和 5G 标准的物联网设备提供开放、大范围的全球无线网络覆盖。根据 Helium 官方统计数据，截至 2025 年 11 月 4 日 ，该去中心化无线网络目前拥有 114,235 个移动热点，日活用户超过 123 万。

Aethir 则是另一个典型，其运营着全球最大的去中心化 GPU 云。根据其官方统计数据，截至 2025 年 11 月 4 日，Aethir 已拥有超过 43.7 万张企业级 GPU，分布在 93 个国家、200 多个地点，提供超 4 亿美元的算力，在线率高达 98.92%。[23]

3.6 机器经济

机器经济是 DePAI 中机器进行交易、协调和自我管理的经济和协议层。该层建立在区块链之上，并引入了机器身份系统、互操作性标准、智能合约协议和激励模型。

正是因为有了机器经济层，机器人现在可以拥有钱包、签订合约、进行支付并获取服务报酬，所有这些都是自主的，并且全部在链上进行。机器经济层使机器能够像自主的经济主体一样运作，参与全球服务和数据市场。[24]

3.7 DePAI DAOs

DAOs 是 DePAI 机器经济的组织形式。它解决的是机器经济的投资和分配问题。在投资方面，机器人并不便宜，能够买得起工业机器臂、送货无人车，甚至自动驾驶汽车的人，数量相当少。 DAOs 通过去中心化组织的形式将大额投资分散到众多个体，降低了个体投资门槛，使人人都有机会参与到机器经济的投资中来。

在分配方面，DAOs 通过引入透明的链上治理和收益共享模式实现机器人所有权的全民所有，确保智能机器的崛起惠及所有人，而不仅仅是精英阶层。

4. DePAI 应用场景

4.1 分布式 AI 计算

如今的 AI 计算大都是在数据中心进行，成本非常高昂。而 DePAI 经济中机器人搭载的芯片一般都拥有很强大的数据处理能力，可以为 AI 提供算力支持。

当 DePAI 中的自动驾驶汽车和机器人司空见惯时，为什么不把它们闲置的时间用起来运行 AI 大模型呢？马斯克早在 2024年就曾指出，数百万特斯拉汽车（目前保有量）的芯片算力大部分时间是闲置的，可以将这些汽车的算力整合成一个巨大的分布式算力集群，提供类似于亚马逊 AWS 的云服务。尽管，平均每辆特斯拉的推理计算能力大概只有 1 千瓦，如果未来有 1 亿辆特斯拉汽车，那就是分布在世界各地的 100 千兆瓦的推理计算能力。[25] 对比起英伟达 1000 亿美元投资 OpenAI，并计划部署 10 千兆瓦的 AI 数据中心，这一数据是非常巨大的。这将极大的降低 AI 计算的成本。

4.2 自主机器人劳务服务

在 DePAI 经济之下，所有的劳务需求都会在链上公布，所有的机器人设备也都登记在链上。机器人可以通过其 AI 代理自主的在劳务市场搜寻其可以从事的劳务工作，比如送快递、载客、做家务、清洁街道等等，在闲置期间获取收入。当劳务结果经过去中心化验证（比如预言机）后，智能合约（或需求方 AI 代理）自动将酬金支付给机器人。

这一场景之下，机器人从消费性资产变成了生产性资产。它们不仅可以通过这种方式“养活”自己，甚至还能帮其拥有者赚取收益。而运营这一劳务市场的平台也可以从中收取平台费。

4.3 机器人自组网数据共享服务

机器人节点兼具主机与路由器功能，通过分布式结构实现动态组网。组网后的机器人可以相互共享信息和数据。ZKP 技术则可以将这些信息和数据进行脱敏上链。这样，一个开放、透明的机器人移动自组网数据共享网络就形成了。这一网络是动态的，机器人可以自由加入和退出。

机器人自组网数据共享服务可以实现比传统方式更高的信息传输效率：比如，某地有一场足球赛结束了，传统上，运力机构会根据该地的交通拥堵情况增派运力，这时拥堵已经发生了，而自组网后的自动驾驶汽车则可以根据足球场馆当地其他自动驾驶汽车发送的实时打车数据和路况信息，准时甚至提前前往事发地服务；又比如，某高速路段发生了塌方，后方的自动驾驶汽车可以根据事发地无人机或其他自动驾驶汽车共享的实时数据，提前更换行车路线。

4.4 机器人声誉市场

当机器人的身份、服务、数据（ZKP 脱敏后）都在链上公开透明的呈现时，一个机器人声誉市场就应运而生了。机器人的声誉代表了该机器人在过往完成任务或提供服务过程中的能力，市场可以据此对该机器人进行评估、定价和交易。一个声誉好的机器人可以获得更高的市场定价，从而获得更多的“出活”机会，随着数据的积累，其能力也会进一步提高；而一个声誉差的机器人，市场出价会更低，从而“出活”机会更少，其能力不仅不会上升，甚至会下降，直至无人问津。机器人声誉市场实现了机器人的“优胜劣汰”。

机器人声誉市场可以衍生出一系列的细分应用：比如，机器人预测市场，对机器人的任务表现进行预测；又比如，机器人的预研，根据现有机器人的声誉评分，预研下一代机器人，等等。

4.5 分布式能源服务

每一个机器人都是一个能源的“蓄水池”，它们可以在能源调度中起到“削峰填谷”的作用：在电网负荷低时充电，在负荷高时向电网反向送电，并据此获取收益。甚至，专门的移动充电机器人可以为无法找到固定充电桩的机器人提供移动充电服务。

机器人既是电能的消费者，也是电能的储蓄者和提供者。这种基于机器人的用电侧能源服务不仅提升了能源系统的效率和鲁棒性，还为用户增添了收入来源。

4.6 数字孪生世界

在 DePAI 机器经济之下，数字人、空间智能、 AI 代理以及机器人的结合很可能真正打造类似于《头号玩家》电影中绿洲场景那样的数字孪生世界。在这个数字孪生世界中，人类有自己的虚拟数字人，机器人有自己的 AI 代理，两者之间通过空间智能进行互动。

这种数字孪生世界将超越现实：它不仅能够完美映射现实世界中人类与机器人、机器人与机器人之间的各种交互，甚至还能帮助人类探索宇宙，实现人类意识的永生。

5. 代表性项目

笔者特别提醒：以下内容仅为客观分析 DePAI 赛道的生态格局与技术分层，并不构成任何提议和要约，请您勿以此信息进行相关决策，并请您严格遵守您所在国家和地区的法律法规（中国大陆读者强烈建议阅读《中国大陆涉及区块链与虚拟货币相关法律法规整理及重点提要》），不参与任何您所在国家和地区法律禁止内的相关金融行为。

就像 Web3 过往历史上每一次生态的大爆发，都是在耐心等待每一块拼图的到来一样，随着 AI、通信和区块链技术的快速发展，DePAI 机器经济大厦的各层地基正在逐步夯实：

• AI 代理层：CodecFlow 正在构建在数字和物理环境中能可靠运行的智能、自适应系统；OpenMind 则在研发用于机器人的开源操作系统；

• 机器人层：BitRobot Network 正在将机器人研发转变为一个开放、协调的网络。在一个共享框架之下，将机器人生态系统的各个部分划分为不同的专业“Subnets（子网络）”；

• 数据网络层：PrismaX 通过构建机器人远程操作平台来收集机器人训练数据；RoboStack 通过开发云原生仿真平台来对机器人进行模拟训练和测试；BitRobot Network 和 Poseidon 则通过构建子网的方式来搜集机器人训练数据；

• 空间智能层：Auki Network 正让物理世界变得可导航、可浏览、可搜索；

• 基础设施网络层：如上文“3.5 基础设施网络”所述，自 2023 年以来，DePAI 的基础设施网络 DePIN 已获得长足发展，这里不再赘述；

• 机器经济层：作为专门用于构建和优化 DePAI、Machine DeFI 以及 Machine RWA 等机器经济的 L1 底层协议，截至 2025 年 11 月 4 日，Peaq 链已有超过 500 万个人类和机器地址，链上应用已达 60 多个（Peaq 官网信息）[26]；

• DePAI DAOs：XMAQUINA 正通过 XMAQUINA DAO 和机器经济启动板（The Machine Economy Launchpad）两大核心支柱赋予社区用户参与 DePAI 机器经济并从中受益的机会。

各项目的详细介绍如下：

5.1 CodecFlow

当前的 AI 代理和机器人技术面临复杂的脚本、无尽的配置，以及一旦环境有变就崩溃等问题。比如，把一个可以帮助 A 用户进行自动化网上购物的 AI 代理安装到 B 用户的电脑上时，由于电脑界面的不同，该 AI 代理很可能失效；把一个在 A 厂区可熟练运行的商品分拣机器人放到 B 超市时，由于工作环境的变化，其工作效果很可能变差。

CodecFlow 正是为解决以上问题而生。CodecFlow 将自动化从脆弱的脚本转变为在数字和物理环境中可靠运行的智能、自适应系统。

（1）Optr 平台

Optr 是用于在数字和物理环境中构建、训练和部署智能操作员（即Operator——通过 Optr 平台构建的自主AI Agent，它会动态观察周围环境，做出智能决策并执行操作）的统一 Python 框架。[27]

通过 Optr 平台构建的自主 AI 代理称为 Operator。Operator 通过统一网关连接传感器、合约、GPS 和钱包等输入；使用 LLM 和 VLM 进行推理，并使用 VLA （视觉-语言-动作模型）进行训练和执行操作；它可以支持从桌面到人形机器人、手臂、无人机和游戏等各种应用。

图表 18：Operator 在机器人技术链条中的位置，图源：CodecFlow X

Optr 平台采用分层架构，包含三个不同的层级——机器层、系统层和智能层，分别用于管理计算资源编排和任务执行的特定方面。这种模块化方法确保各层保持松散耦合，从而实现独立的演进和扩展，而不会破坏整体系统的完整性。

• 机器层：机器层 (Machine Layer) 提供了 Operator 执行和训练的基础计算基础设施。每个 Operator 都在独立的环境中运行，并提供近乎裸机的性能和虚拟机级的安全隔离。这种架构支持跨各种部署目标（从本地桌面到云实例）的轻量级、安全执行。该层超越了虚拟计算，涵盖了物理机器人硬件。将机器人控制器和嵌入式系统注册为可用机器，使操作员能够无缝地与数字和物理资源交互；

• 系统层：系统层负责管理运行时配置，并在操作员与其目标机器之间建立双向通信通道。部署后，系统会配置操作环境——无论是将 Windows、Linux 或 macOS 映像加载到虚拟机中，配置移动模拟器，还是在包括机器人控制器在内的各种硬件平台上初始化软件堆栈；

• 智能层：智能层承载着每个 Operator 的 AI 决策核心。每个 Operator 都嵌入了一个经过微调的定制轻量级 VLA 模型，该模型已针对边缘设备的本地执行进行了优化。与依赖外部 API 调用的传统方法不同，CodecFlow 的 VLA 模型将视觉感知与自然语言理解相结合，从而完全在设备上生成可执行的操作。

（2）Fabric 平台

Fabric 是用于跨云计算的分布式工作负载编排系统，专为现代云原生应用程序而构建。它是一个统一的执行层，可以消除多云编排中的繁琐工作。用户只需提交单一工作负载规范，列出其 CPU、GPU、内存需求以及任何区域偏好。然后，Fabric 的智能调度程序将完成繁重的工作。它会实时从所有连接的云服务提供商处采样实时容量和价格，并选择符合用户需求的最低成本节点，通常只需几秒钟即可完成。

图表 19：Fabric 工作负载生命周期，图源：CodecFlow X

Fabric 为启动的每台机器都配备了轻量级 Shuttle 代理。使用此代理，Fabric 通过 containerd 将用户的工作负载部署为容器，每个作业都隔离在用户自己的命名空间中（并进行标记以便于组织）。这确保了即使共享一台机器，任务之间也保持沙盒隔离。Fabric 还包含一个智能打包算法，该算法仅在会降低成本且不会导致任何“其他作业任务”速度减慢的情况下才将容器（即用户的工作负载）整合到一个节点上。简而言之，通过 Fabric 平台，用户可以通过获得云服务高利用率来节省成本，但绝不会以牺牲性能或可靠性为代价。

5.2 OpenMind

OpenMind 旨在构建让机器人能够思考、学习和协同工作的软件基础。该软件基础由OM1 操作系统和 FABRIC 信任层协议两大部分组成。[28]

（1）OM1 操作系统

OM1 是第一个用于智能机器人的开源操作系统，使任何机器人都能够感知、推理和行动，而不受专有限制。OM1 与硬件无关，并且完全开放。它允许开发人员在机器人上安装完全自主的软件，而无需被束缚在单一的生态系统中，也无需重新设计。

OM1 允许在数字世界和物理世界中配置和部署 AI 代理。用户可以创建一个AI 角色并在云端运行，也可以在 Quadrupeds（四足机器人）、TurtleBot 4 和 Humanoids 等物理机器人硬件上运行。

借助 OM1，用户可以与 OpenAI gpt-4o（或 Gemini、Claude 或 DeepSeek）进行交互并与其握手，这通过由一个或多个 LLM 控制的物理机器人硬件实现。基于 OM1 构建的代理/机器人可以从多个来源，例如网络、X（Twitter）、摄像头和激光雷达获取数据，然后可以发送推文、可以帮助孩子检查作业。

OM1 功能

图表 20：OM1 功能，图源： 根据《First Open-Source Operating System for Intelligent Robots 》绘制，本图通过Pixso 制作

（2）FABRIC 信任层协议

FABRIC 充当着全球智能机器的数字神经系统。它提供身份、定位、验证和结算等核心原语，将单个机器人的集合转变为一个有凝聚力、协作的生态系统。[29]

FABRIC 通过四个基本功能实现多智能体协作和实时决策：

• 可验证的机器身份： FABRIC 为每台机器分配一个唯一的、加密安全的身份（ERC-7777：人类机器人社会提案）。这使得机器人能够以无需信任的方式验证其对应方，防止欺骗并确保所有通信的完整性。这种数字身份是构建所有可信交互的基石

• 位置证明：该机制类似于去中心化且可信的 GPS，允许机器人以防篡改的方式证明其物理位置。这对于协调与位置相关的任务以及创建共享且可信的环境地图至关重要

• 任务验证：该协议提供了一个标准化框架，用于验证请求的任务是否已成功完成，使用加密签名的传感器数据或其他数字证明。此可验证的操作记录可作为自动支付的触发条件

• 稳定币结算：为了促进无摩擦经济，FABRIC 集成了使用稳定币的原生支付层。这使得机器能够实时结算服务和资源的支付，避免了传统加密资产的波动性或传统金融的摩擦。

OpenMind 已上线 OpenMind APP 、OM1 开源操作系统以及 FABRIC 信任层协议等功能。普通用户可以通过 OpenMind APP 来创建自己的链上身份；OM1 开发者则可以通过 FABRIC 控制面板将自己的机器人注册到 FABRIC 协议，以使用其为机器人提供的身份、定位、验证和结算等功能。

截至 2025 年 11 月 4 日，根据 OpenMind X 信息，已有超过 18 万名用户在使用 OpenMind APP，数千个机器人注册到 FABRIC 协议。[30]

5.3 BitRobot Network

BitRobot 将机器人研发转变为一个开放、协调的网络，在一个共享框架之下，将机器人生态系统的各个部分（比如数据采集、仿真训练、自动驾驶、无人机编队等等）划分为不同的专业“Subnets（子网络）”。每个子网络可以追求各自的目标，但仍然可以通过网络的统一框架共享数据、资源和奖励。

图表 21：BitRobot Network 架构，图源：BitRobot Network 白皮书

在 BitRobot 网络中，可以组建子网络来解决 Embodied AI 遇到的问题。Embodied AI 是一种具身 AI，即将人工智能系统集成到物理实体（例如机器人）中，使其能够与现实世界互动并对其产生影响，其概念与物理 AI 的概念非常相近。Embodied AI 当前发展道路上面临的资源缺口包括聚合硬件（例如，用于大规模并行评估新 AI 模型的机器人集群）、人力（例如，用于控制各种机器人的远程操作员）以及更复杂的多资源协调（例如，研究人员在现实世界的机器人集群上测试最新模型，同时在算力提供商提供的 GPU 上进行训练）不足等方面。通过去中心化的资源聚合，BitRobot 可以超越任何单个企业实验室自行积累的资源，并实现 Embodied AI 社区资源的民主化访问。

BitRobot 的子网结构允许所有参与者无需许可的进行资源汇集和实验，同时使他们围绕共同结果一致行动。

简而言之，BitRobot 将机器人技术视为一个互联互通的经济体，通过将该经济体拆分为相对独立的各个子网络（如数据训练、硬件供应、模型开发等）以并行的方式进行建设。这就类似多个团队分别建设同一座城市的不同区域——每个团队独立运作，但都通过道路、电力和同一货币连接在一起。比如，一个机器人研发团队需要机器人硬件进行数据收集，那么该团队可以在 BitRobot 上启动一个子网来激励全球的用户贡献机器人硬件资源；而另一个需要开发机器人模型的团队也可以通过在 BitRfobot 上部署一个机器人模型开发子网来汇集全球的 AI 模型开发者。这两个团队之间的交互则可以通过 BitRobot 网络进行协调。

根据 BitRobot 官网信息，截至 2025 年 11 月 4 日，已有 5 个子网在 BitRobot 上线，它们分别是：用于收集机器人真实世界数据集的子网 1 ——ET Fugi；用于进行机器人 AI 模型研发的子网 2——Earth Rover Grand Challenge、子网 3——Robotic Origami Grand Challenge和子网 4——Robotic IKEA Assembly Grand Challenge；以及用于收集机器人训练视频数据集的子网 5——Seesaw。[31]

5.4 PrismaX

PrismaX 旨在通过构建开放的协调层，以连接远程操作员、机器人用户、机器人车队所有者和机器人公司。操作员可以与用户和机器人车队所有者连接，远程操作机器人，在收集极高价值数据的同时完成实际任务。用户可以与操作员和机器人车队所有者连接，请求实际服务，例如制造服务、物流服务和广告服务。机器人公司可以与有意投资机器人车队进行数据收集的车队所有者连接，从而无需增加资本投入即可启动制造和数据业务。

具体来说，PrismaX 专注于人工智能机器人领域的三大支柱：数据、远程操作和模型。[32]

• 数据：构建协议和机制来验证和激励大规模视觉数据，使机器人数据集能够扩展到与文本数据相同的量级，并实现现实世界机器人和人工智能机器人以前无法达到的准确性和可靠性水平；

• 远程操作：定义机器人远程操作的统一标准，为操作员进行远程操作、需求方的支付机制和远程操作方案的具体设计提供“交钥匙”方案，以便机器人公司可以专注于它擅长的其他事情；

• 模型：与AI团队合作，构建 AI 机器人领域的机器人基础模型。

这三者就像一个数据飞轮：大规模数据帮助构建更好的机器人基础模型，从而提高了远程操作的效率；远程操作则推动了更多现实世界数据的收集。

图表 22：数据-模型-远程操作飞轮，图源：PrismaX 博客

目前，PrismaX 已上线 PrismaX APP 以收集海量机器人远程操作数据并将其出售给机器人和人工智能公司来积累价值。

5.5 RoboStack

RoboStack 是一个云原生仿真平台，旨在加速智能机器人系统的开发、测试和部署。它提供逼真的环境建模和可扩展的计算基础设施，支持机器人的快速迭代和高保真模拟，从而缩短了机器人在现实世界的部署时间。

RoboStack 的核心是 RCP（机器人上下文协议）。RCP 定义了机器人、用户和动态环境之间的标准化通信。它确保了机器人应用程序之间的无缝互操作性、情境感知和安全数据交换。

RCP 提供统一且语义清晰的接口，将面向客户端的操作与后端实现解耦，支持包括物理机器人、云端编排器和模拟平台在内的各种部署环境。该协议基于 HTTP 和 WebSocket 传输层构建，定义了一种模式驱动的消息格式，其中包含读取、写入、执行和订阅等结构化操作。它集成了运行时自检、异步反馈、多租户命名空间隔离和严格类型验证等功能，以确保稳健性、可扩展性和安全性。RCP 能够在复杂的多智能体生态系统中实现智能、弹性且安全的机器人操作。[33]

图表 23：机器人上下文协议（RCP） 的总体架构，图源：《Robot Context Protocol (RCP): A Runtime-Agnostic Interface for Agent-Aware Robot Control》

RCP 采用多层架构，旨在促进外部代理与机器人系统之间模块化、可扩展的通信。每⼀层都旨在抽象复杂性、提升互操作性，并支持在各种操作环境中的部署：适配层（Adapter Layer）将各种客户端接口（例如，MCP、A2A 以及仪表盘）转换为统一的 RCP 请求；传输层（Transport Layer）处理通过 HTTP 等通信协议进行的通信；服务层（Service Layer）将命令抽象为读取、执行和写入等高级操作；ROS2 接口层将这些高级操作转换为 ROS2 原生结构；状态和监控模块则提供 RCP 协议及其各层的健康状况诊断。

这种分层协议设计使 RCP 能够充当与运行时无关的控制接口，能够桥接物理硬件、

仿真环境和云原生机器人平台。

图表 24：RCP 在 RoboStack 中的生态地位，图源：RoboStack 文档

RoboStack 的客户包括 LLM、AI 代理或传统服务。通过 RoboStack 适配器层，这些用户可以与机器人仿真建立有效可靠的通信。此交互由 RCP 管理，确保一致性和互操作性。模块化应用程序框架易于扩展，能够平滑地适应更广泛的用例和部署场景。

5.6 Poseidon

Poseidon 是一个基于 Story 协议（一个 AI 原生 IP 基础设施协议，旨在将 IP Token 化，使其可编程）构建的全栈式去中心化 AI 数据层，旨在将现实世界的数据引入下一波 AI 创新浪潮。它融合了结构化、无许可和激励机制，将分散的高价值长尾数据转化为可组合的、易于构建者访问的数据。

图表 25：Poseidon 总体架构，图源：Poseidon X

Poseidon 认为，当前各种论坛和网页中的数据并不适合用于训练物理人工智能。物理人工智能的训练数据需要在现实世界中抓取，且这些数据大都为长尾数据，比如，某人在凌乱的家中穿梭的立体视频、包含低语的音频对话，或是双手叠衣服的动作数据；又比如，Waymo 车辆意外转弯或无法平行停车的数据。人形机器人需要前者进行训练，而自动驾驶汽车则需要后者进行训练。

为实现物理世界长尾数据的大规模抓取和供需高效对接，在更高层面上，Poseidon 提供适应性强的数据管道，用于管理数据集创建和激励机制的整个生命周期，使系统能够动态调整以适应不断变化的数据需求。在底层，Poseidon 则依赖于一个模块化、可复用的基础架构，该架构支持跨 AI 领域的数据收集和协调。为了兼顾效率和专业化，该基础架构被组织成专用的分片（子网络），每个分片都针对特定的 AI 领域进行了优化。这种分片方法可确保资源得到高效利用，避免瓶颈，并允许根据不同领域的独特需求进行性能调整，同时仍能受益于共享基础层的一致性。[34]

（1）数据管道

Poseidon 的数据管道支持聚合、处理和准备高保真、可用于生产且权属界定明确的数据集，这些数据集可根据各种 AI 应用进行定制。

每个数据管道都基于一个工作流进行操作，该工作流指定了数据需求和完整的数据集构建流程（聚合、处理和注释）。任何供应方用户（注意，这里的“用户”指的是超出个人范围的更广泛的实体，包括去中心化物理基础设施网络〔DePIN〕应用程序、数据标注平台和其他类似实体）都可以参与数据管道，并在工作流中承担各种角色，包括：

• 数据提供者：根据指定的数据请求，收集和传递数据；

• 数据处理：对数据运行定义的确定性过程；

• 数据标注：根据规范为某段数据提供手动标注。

每个工作流程都采用各种工具和技术来实现定义的质量目标。其中一些关键目标包括：多样化数据收集、严格验证、可扩展数据标注以及权属界定明确。

（2）数据子网

数据管道部署在一个经过精心设计的分片基础设施上，该基础设施由多个子网络组成，这些子网络由单一的总体网络同步和保护。每个分片都专用于特定的AI领域，从而实现特定领域的优化，同时保持整个系统的互操作性。

每个子网络都运行自己的数据管道、经济系统和验证机制，同时利用 Story protocol 的通用 Poseidon 处理管道技术和共享基础设施来实现安全性、互操作性和 IP 管理的核心实用性。

图表 26：Poseidon 的 Subnets 方案，图源：Poseidon X

Poseidon 已推出 V1 版 Poseidon App。用户可以通过贡献高质量的音频数据来获得积分，为领先的 AI 公司提供模型训练支持。

图表 27：Poseidon App  音频数据采集，图源：Poseidon 官网

5.7 Auki Network

Auki 通过构建现实世界网络，让人工智能能够访问物理世界，让机器人、智能眼镜和手机等数字设备可以浏览、导航和搜索物理位置。

（1）Posemesh 空间计算协议

Auki 网络的核心是 Posemesh 协议。Posemesh 是一个去中心化的机器感知网络和协作空间计算协议，旨在让数字设备安全、私密地交换空间数据和计算能力，以形成对物理世界的共同理解。

Posemesh 背后的基本理念是允许设备聚集在一起并形成临时分布式空间计算机，其中数据和计算资源可以在集群内移动，以最佳地解决每个参与者的经济利益。

在 Posemesh 中，设备可以提供或请求传感器数据、处理能力和存储，以及网络和监控服务。

该协议的目标并非创建一个宏大的世界数字孪生，而是允许较小域和集群之间的无缝迁移和协作。用户无需与项目共享其摄像头信息，而是可以与其正在访问的域或其所在地区的其他用户私下交换空间数据。

3D 空间创建

Auki Labs 的方法是将 AR 技术和 QR 码技术相结合用于创建 3D 数字空间。具体而言，是将价格实惠的视觉标记（QR 二维码）放置在环境中，使支持 AR 的设备通过扫描该视觉标记高精度地绘制地图并在空间中定位。

该方法是轻量级的，注重隐私且易于实施。无需昂贵的基础设施，基本的 Wi-Fi 和一些策略性放置的标记就足够了。

空间共享

Auki Labs 将用户通过 AR 设备和 QR 码技术创建的 3D 数字空间定义为域（Domain）。附近的域所有者可以聚集在一起形成域集群（Domain Cluster），域集群由一张分布式哈希表进行管理，该表列出了集群中的所有参与者及其能力。集群内用户之间的通信通过交换加密密钥的方式进行私密通信。每个域集群可以有一个域管理员（Domain Manager），负责存储域数据并向其他参与者提供服务（比如，承担集群内发现和编排的角色，帮助协调任务和数据交换）。域管理员不接收参与者之间交换的任何数据，他仅起到促进域集群内供应者和需求者之间的私密和安全配对的作用。

Posemesh 域服务（Domain Service）使域所有者能够将其拥有的域（3D 数字空间）共享给访问设备，从而满足设备域端计算的需求。Posemesh 中继服务（Relay Service）则通过利用无处不在的设备中的闲置计算和带宽资源以实现更低延迟、更精确的域共享。

（2）零售空间智能平台 Cactus AI

Cactus AI 由 Auki 网络提供支持，能够毫不费力地捕捉真实的产品位置，使其可以立即被搜索并供分析和人工智能使用。零售商只需花费少量资金即可获得更高质量的货架数据，同时从根本上提升员工的知识库和工作效率。

Cactus AI 可以分析来自零售店员工手持设备、店内摄像头以及 Auki 即将推出的可穿戴摄像头设备的视频，从而自动检测关键问题、缺货情况以及需要改进的地方。Cactus AI甚至可以智能地引导零售店的员工在需要的地方收集更多数据，确保商店的数字地图始终保持最新状态。

5.8  Peaq

Peaq 是一个兼容以太坊的 EVM Layer-1 区块链，是专门用于构建和优化DePAI、Machine DeFi 以及 Machine RWA 等机器经济的底层协议。

通过利用并行区块生产、异步支持和敏捷核心时间，Peaq 目前每秒可处理高达 10,000 笔交易 (TPS)。未来升级后，其 TPS 有望超过 100,000，同时保持约 0.00025 美元的交易成本（数据来自于 Peaq 文档）。

Peaq 致力提供一套全面的即用型模块化 DePIN 和 DePAI 功能，为构建者和机器提供无缝部署所需的核心功能。这些功能包括自主机器 ID、基于角色的访问控制、数据验证、通用机器时间（UMT）、无缝机器支付处理、数据存储、数据索引、AI 代理等等。所有功能均可通过 Peaq SDK 访问，开发人员只需约 15 行代码即可部署。

（1）共识机制

Peaq 使用 NPoS（提名权益证明）进行区块生产，并依靠中继链进行区块验证和最终确定。

（2）节点运营

Peaq 的区块生产依赖于验证者和委托人的共同努力，以确保交易以快速、可靠、抗审查的方式传播到区块中。

• 验证者的主要职责是创建区块并保持网络状态的更新。区块创建完成后，会提交给中继链上的验证者进行最终审核。验证者的角色可以类比为使用工作量证明（PoW）的网络中矿工的角色。然而，与矿工不同，验证者并不会提升网络安全性，但它们对于维护网络活动、确保网络去中心化和Censorship Resistance（意指避免节点对交易进行审查）至关重要。本质上，验证者基于 Polkadot 和 Kusama 中继链为验证者生成状态变化证明。它们还在各自的操作中在中继链和平行链上运行完整的节点；

• 委托人在区块生产过程中扮演着另一个关键角色，他们负责筛选出诚实可靠、长期表现稳定的验证者。此外，委托人的要求远低于验证者的要求，从而降低了准入门槛，让更广泛的社区能够参与到区块创建过程中。

验证者和委托人共同获得网络总奖励的40%，包括新区块的生成和网络用户支付的交易费用。

（3）模块化 DePAI 功能

Peaq 提供即插即用的模块化 DePAI 功能：Peaq 的多链自主主权机器身份 Peaq ID 可以为车辆、机器、机器人和设备创建独特的自主身份识别，从而实现它们之间的安全交互；Peaq 的数据验证框架 Peaq Verify 可以验证和确认机器数据在去中心化环境中的真实性和完整性；Peaq Store 用来存储数据标识符和交易的哈希值；Peaq Access 用于设置访问控制，确保只有授权的机器、个人或实体才能访问用户自己在 Peaq 网络上的敏感资源；Peaq Precompile（专门针对 EVM 开发的智能合约，具有固定的地址和预定义的功能）充当 Peaq 链与 EVM 链之间交互的桥梁；Peaq Pay 用于实现人与机器、机器与机器之间的无缝、安全和自主交易；Peaq 的 AI Agent 用于自动将用户与服务（例如停车位）匹配，或协调复杂的机器网络；Peaq 的 UMT（通用机器时间）功能则使机器人、无人机、车辆和设备能够实现纳秒级精确的时间同步。

（4）互操作性

Peaq 的构建秉承了开放、去中心化的 Web3 理念。在 Peaq 上构建，就是在为整个 Web3 构建。

• 以太坊：Peaq 与 EVM 兼容，使协议能够利用以太坊生态系统提供的机会。任何兼容 EVM 的代码都可以在 Peaq 上重复使用而无需修改。Peaq 还通过多个已建立的桥梁连接到以太坊；

• 波卡：Peaq 上的 DePAI/DePIN/dApp 可以通过跨链消息传递（XCM）与 Polkadot 生态系统进行原生互操作；

• Cosmos：利用 Fetch.ai 代理创建多链 ID 并与 Cosmos 生态系统中的机器交换数据；

• BNB链：Peaq 上的 DePAI/DePIN 可以利用 BNB 链上的服务，而 BNB 链上的设备可以与 Peaq  DePAI/DePIN 无缝交互；

• Solana：Peaq 的多链机器 ID 可实现与 Solana 应用程序的无缝交互。基于 Solana 构建的项目可以利用 Peaq 来增强其功能并增加 Peaq 上的网络活动。

根据 Peaq 官网信息，截至 2025 年 11 月 4 日，Peaq 链已拥有超过 500 万个人类和机器地址，链上应用已达 60 多个。

5.9 XMAQUINA

XMAQUINA 是一个社区驱动的 DePAI DAO。它将那些洞察人形机器人等未来趋势的人们聚集在一起，并通过 DAO 的方式赋予他们参与塑造未来并从中受益的机会。

XMAQUINA 的基础建立在三个原则之上：

• 共同所有权：通过整合资源，让社区也能参与到物理 AI 领域最具创新性和颠覆性公司的投资中，持有它们的股权。

• 共同创造：通过 DAO 的参与促进开源机器人开发，确保技术不被少数公司垄断。

• 共同治理：DAO 由其成员集体管理。

XMAQUINA 生态系统包含 XMAQUINA DAO 和机器经济启动板（The Machine Economy Launchpad）两大核心支柱。

（1）XMAQUINA DAO

XMAQUINA DAO 是管理多资产金库的去中心化引擎。它将资金分配给机器人技术、物理 AI 和去中心化基础设施领域中具有高影响力的项目，确保战略一致性和社区驱动的监督。

图表 28：XMAQUINA DAO 架构，图源：XMAQUINA 文档

（2）机器经济启动板

机器经济启动板使构建者能够组建 SubDAO 来筹集资金，并共同拥有机器人和机器资产。它提供对 XMAQUINA 的法律架构、治理框架和技术基础设施的访问，从而降低进入机器经济的门槛，同时保持去中心化的所有权和战略一致性。

图表 29： 机器经济启动板架构，图源：XMAQUINA 文档

XMAQUINA 生态系统的两大核心支柱紧密相连。DAO 提供治理、基础设施，在某些情况下还提供资金，用于启动和扩展专注于机器人技术的 SubDAO。反过来，Launchpad 通过实现去中心化资产所有权，并通过协议费用和每个 SubDAO 启动时积分分配为 DAO 创造价值，从而推动生态系统的增长。它们共同构成了一个自我强化的引擎，加速去中心化机器经济的发展。

根据 XMAQUINA 官网信息，截至 2025 年 11 月 4 日，XMAQUINA DAO 已投资了 Figure、Agility Robotics 和 Apptronik 三家人形机器人公司。

5.10 小结

代表性 DePAI 项目总结如下：

图表 30：DePAI 代表性项目，图源：Web3Caff Research 研究员 Felix 自制，本图通过Pixso 制作

6. DePAI 面临的挑战

6.1 数据局限性

数据局限性的挑战涵盖数据多样性和规模以及现实世界的复杂性。前者而言，为机器人收集多样化的真实世界数据成本高昂且数量有限。仿真训练虽然有助于扩充数据集，但却无法模拟所有的真实世界条件，这使得数据多样性和规模始终存在不足。对于后者，不可预测的现实世界造成了“模拟仿真与现实之间的差距”，因为模拟仿真往往无法完全复制现实世界的复杂性。虽然，更高的模拟保真度方面的进步带来了希望，但目前还不够稳健。

6.2 可扩展性

DePAI 网络中每个机器设备的计算资源可能有限且差异巨大（比如自动驾驶汽车的算力一般要比无人机的算力高很多）。对这些计算资源差异巨大的机器设备进行分布式工作调配，需要平衡它们之间的工作负载，并确保它们之间相互决策的一致性，这是一项非常复杂的任务。随着越来越多的机器设备加入网络，其复杂性还会呈指数级增长。这就需要先进的算法来进行任务分配、资源管理和冲突解决。

6.3 协调性挑战

在 DePAI 应用中，机器人系统必须同步其状态，以确保决策和操作的⼀致性。当前的区块链依赖于全球共识来维持统⼀的状态，但在机器人部署中面临着巨大的障碍。例如，恶劣的环境、有限的连接或干扰都可能阻碍机器人与全球网络进行可靠的通信。这些挑战可能导致区块链状态同步不⼀致或延迟，从而损害系统的可靠性。

为了缓解这种情况，⼀些机器人应用利用了本地化共识，即机器人仅与附近的节点同步。虽然这种方法减少了对全球网络的依赖，但它在⼀致性和可扩展性方面造成了⼀些损害。

例如，机器人可能在网络的局部子集内有效运行，但却难以将其状态与更广泛的全局系统协调⼀致。这种碎片化在需要跨不同环境或机器人代理进行无缝协作的应用中可能会带来问题。

6.4 互操作性

DePAI 中的机器人（例如，波士顿动力或特斯拉等制造商生产的机器人）通常使用专有硬件和接口。在去中心化环境中，这些机器人必须在没有中央控制器的情况下进行交互。例如，来自某个供应商的人形机器人可能需要在共享环境中与来自另一个供应商的传感器协作，但不同的通信协议（例如，ROS 与自定义 API）会造成障碍。机器人技术中的这种“隔离问题”会导致机器人之间形成“孤岛”，无法共享智能或协调任务。

另外，DePAI 通常依赖多链环境来实现去中心化的计算和数据共享。不同的区块链（例如以太坊和 Solana）拥有不同的共识机制、智能合约标准和交易速度，这使得跨链通信变得复杂。对于物理环境中的 AI 代理来说，这意味着实时数据同步或资产转移（例如 Token 化的机器人任务或传感器数据）的延迟。Token桥和原子交换虽然存在，但会带来安全风险和兼容性问题，尤其是在与非 EVM 链集成时。

6.5 监管挑战

首先，DePAI 的发展与现实世界数据的采集密切相关，出于国家安全的考量，政府很可能会禁止私人机器设备对交通、地形等敏感数据的采集。其次，同样是出于国家安全的考虑，政府部门很可能会禁止机器人在某些区域（比如政府办公区域、国有单位园区、军事基地等）的运营。最后，某些机器人的运营需要政府的行政许可：比如，无人机自主编队飞行需要航空管理当局的许可。

如果监管机构态度趋严，可能会减缓 DePAI 的创新和发展。

6.6 伦理挑战 

随着 DePAI 经济中机器人变得更加自主并被部署到敏感领域，它们需要具备做出符合伦理道德决策的能力。这不仅涉及遵循预先设定的道德准则，还涉及理解并在复杂微妙的现实世界中运用道德原则，尤其是在机器人与人类互动时。机器人的道德决策甚至要求机器人主动避免某些行为，以降低干扰甚至威胁人类的风险。

“伦理”的概念很复杂，机器人可能会⾯临基于⼀项伦理原则做出的决策与另⼀项伦理原则相矛盾的情况。此外，机器人的伦理推理必须同时解决显性准则和隐性偏见。显性准则是预先设定的原则（例如，“不要伤害人类”），而隐性偏见则源于用于开发深度学习模型的训练数据。这些偏见可能会无意中将社会偏见写入代码，或反映对伦理考量的不完整理解，从而导致意想不到的后果。

7. 前景展望

随着芯片、通信和区块链等核心技术的快速迭代，DePAI 机器经济面临的可扩展性、协调性和互操作性等问题必将得到系统性解决，再考虑到 DePAI 赛道对传统经济的巨大革新作用，相关监管框架也必然不断完善，监管政策也将变得友好。如此，必将推动 DePAI 的大规模落地，使之成为 Web3 的下一个万亿美元增长引擎。

8. 结语

尽管由于巨头的推动、资本的投入，作为 AI 下一个浪潮的物理 AI 正迎来高速发展，但其依然面临着中心化机构控制、敏感数据泄露、AI 模型运算不透明等问题。且随着机器人对人工的替代，社会也将面临越来越严重的失业问题，收入和财富分配的失衡也将更严重。

而 DePAI 将从根本上改变这一格局。它将物理 AI 构建在区块链这一底层基础设施之上。使机器人能够通过分布式、加密驱动的生态系统与物理世界交互，完美解决了中心化物理AI 面临的各种深层次问题。它并非旨在取代人类，而是通过分配数据、计算、所有权和智能来增强社会。

通过实现机器人访问、所有权和计算的民主化，DePAI 还催生了一种“机器经济”——机器人可以自主运行、赚取收益并在没有中介的情况下进行协作。这种开放、透明和包容的经济模式将助推其成为 Web3 的下一个万亿美元增长引擎，引领人类走向一个机器服务所有人（而非仅仅服务于最富有的 1%）的时代。

9. 要点结构图

图表 31：要点结构图，图源：Web3Caff Research 研究员 Felix 自制，本图通过Pixso 制作

10. 参考文献

[1] NVIDIA CES 2025主题演讲稿

[2] What is Physical AI?

[3]  Self-Sovereign Identity: The Ultimate Guide 2025

[4] Top 10 IoT security challenges

[5] Self-Sovereign Identity and IoT

[6] 发布2.0白皮书、全力进军DePIN，7年物联网老公链IoTex能否迎来第二春？

[7] 全面分析 L1 DePIN 公链 Peaq Network

[8] zkTLS 1.5 万字研报：风口已至，能否成为Web3 可信计算时代的大规模采用基石？全景式拆解其技术原理、主要方案、生态项目、风险挑战及未来潜力

[9] AI and Data Economy

[10] The Magic of Tesla FSD, part 2

[11] 神经网络和深度学习真的适合应用在自动驾驶算法上吗？

[12] T-RO Special Issue on Foundation Models for Robotics

[13] Foundation Models in Robotics: Applications, Challenges, and the Future

[14] Computer Using Agents

[15] What are AI agent protocols?

[16] Powering AI commerce with the new Agent Payments Protocol (AP2)

[17] Agent Payments Protocol: Building Verifiable Trust for Agentic Commerce

[18] x402: An open standard for internet-native payments

[19] Protocol Update 002 - Scale Blobs

[20] Solana Alpenglow Consensus-Increased Bandwidth, Reduced Latency

[21] 区块链数据隐私保护：研究现状与展望

[22] Chainlink Offchain Reporting Protocol 3.0

[23] DePAI Revolution: Powering Physical AI and Robotics with Decentralized Compute

[24] DePAI Explained: Understanding the Next Frontier of AI and Robotics

[25] Elon Musk wants to turn Tesla’s fleet into AWS for AI — would it work?

[26] Peaq 官网

[27] codecflow/optr

[28] OpenMind Secures $20M to Connect All Thinking Machines

[29] The Fabric of a New Machine Economy

[30] OpenMind X

[31] BitRobot 官网

[32] PrismaX Base Layer: Infrastructure for Real-World AI Robotics

[33]  Robot Context Protocol (RCP): A Runtime-Agnostic Interface for Agent-Aware Robot Control

[34]  Poseidon Litepaper v1.0