发布日期：2026 年 7 月 23 日 · 币贝研究院
关于这一主题的延伸研究，参见币贝研究院《去中心化 AI 基础设施》。
执行摘要
"AI 加密"是市场里被叙事包装得最重、估值却最缺纪律的赛道。到 2026 年 4 月，这个交叉领域已录得约 919 个被追踪项目、合计市值近 226 亿美元，最大的二十个 AI 代币彼此合计约在 400 亿至 600 亿美元之间 [1]。可"AI 代币"描述的是一个营销类别，而非一个资产类别：一个去中心化 GPU 出租网络、一个推理市场、一个链上自主智能体、一个数据标注协议，在如何赚钱、价值如何抵达代币、何为合理倍数上几乎毫无共同之处。把它们当作同一个篮子，是第一个、也是代价最高的分析错误，而这恰是叙事在主动鼓励的错误。
本报告用三步把叙事换成纪律。第一，把赛道拆成四个子赛道——算力、推理、智能体、数据——各有一台不同的收入引擎，因此各有一个不同的估值锚 [1][21]。第二，坚持价格系于使用而非故事，并把这一坚持扎根于代币估值最古老的量化工具——货币交换方程 MV = PQ，其核心教训（是代币速度、而非标题式的采用度，决定了给定规模的网络能支撑多少价值）解释了为何这么多"高使用量"的 AI 代币仍在下跌 [9][10][11]。第三，因为 AI 代币压倒性地依赖增发补贴，我们加上一个激励可持续性评分，把网络真正赚到的收入与它仅仅印出来的供应分开——这正是 DePIN 算力赛道在 2026 年从代币挖矿转向真实现金流时艰难学到的区分 [4][26]。
其影响很具体，因为这几个网络头一回有了真实数字可估。去中心化算力子赛道到 2026 年一季度年化收入约达 1.8 亿至 2.2 亿美元，由 Render（2026 年 1 月约 3800 万美元月收入、约 5,600 个活跃 GPU 节点）与 Akash（使用量同比增长 428%、GPU 利用率高于 80%）领跑 [4][5][6]。Bittensor 的动态 TAO 升级把增发变成由市场驱动，并催生了逾 120 个子网（一年前仅 32 个），网络在 2026 年一季度录得约 4300 万美元真实 AI 服务收入 [3]。这些正是使用倍数需要的输入。与此同时，智能体子赛道——Virtuals、ai16z、AIXBT 及同类——几乎没有任何经常性收入却较高点下跌 55%–85%，提醒我们这套框架的职责是排序、不是奉承 [17]。此处一切均为教育性分析，而非投资建议。
第一部分 · 为何"AI 代币"是一个类别错误
对代币是什么保持精确，先于任何"它值多少"的估计，而 AI 这个标签遮蔽而非揭示了这一点。市场归到"AI 加密"名下的四样东西，是四门不同的生意。像 Render 或 Akash 这样的算力网络出租 GPU 周期：其收入是对一种有现实价格的商品收取的使用费，最近的类比是一家云基础设施公司 [5][6][7]。像 Bittensor 这样的推理或模型网络付费给参与者产出机器智能输出、并对其消费收费：其收入是对所服务智能的市场抽成，更接近一门 API 生意 [3]。像 Virtuals 或 ai16z 这样的智能体代币代表一个在链上交易的自主程序：其"收入"（若有的话）是智能体自身活动的费用或绩效，类比更接近一只基金或一段软件、而非基础设施 [17]。像 The Graph 或 Grass 这样的数据协议把索引或采集来的数据卖进 AI 管线：其收入是查询或数据访问费 [1][21]。
这些不是同一样东西的深浅色差。它们在卖什么、谁付费、利润多可防御、以及——关键地——代币对那笔钱是否有任何索取权上，各不相同。把它们塌缩成单一"AI"倍数，正是一个赚真实查询费的数据索引协议，如何落得与一个只有推特粉丝、没有现金流的智能体代币享同一叙事溢价。赛道被称道的那种相关性——2026 年年中几乎每个代币无论基本面如何都较历史高点下跌 55%–85%——本身就是证据：市场一直在把叙事当成一个因子来定价，而非按四门不同生意各自的优劣来定价 [17]。分析师的第一个动作，就是把这个篮子拆开。
第二部分 · 一套子赛道分类：算力、推理、智能体、数据
分类是这套框架的主干，因为它在任何数字被算出之前，就给每个代币分派了正确的估值问题。
算力最成熟、也最可度量。去中心化 GPU 网络出租渲染与 AI 训练产能，赢得业务出于一个简单而持久的理由：它们在可比按需定价上比超大规模云厂低 60%–90%，其中 Render 的推理定价被独立基准测试测得约比可比的 Azure 机器学习算力低 70% [7]。需求真实且链上可见——Render 约 3800 万美元的 2026 年 1 月月收入、5,600 个活跃节点、逾 6700 万累计渲染帧；Akash 同比 428% 的使用增长与 80% 以上的利用率——而且它追踪的是一个真实的宏观短缺，因为 AI 算力需求一直在超过供给，敞开了这些网络所填补的那道缺口 [4][5][6][8]。算力是使用倍数最可信之处，因为其收入是对一种有外部价格的商品收取的费用。
推理与开放模型网络在栈上高一层。Bittensor 是参照案例：其动态 TAO（dTAO）在 2025 年的重设计让子网增发变得由市场驱动、并引入子网代币，生态从一年前的 32 个扩张到逾 120 个活跃子网，合计子网市值越过 15 亿美元，2026 年一季度产生约 4300 万美元真实 AI 服务收入 [3]。这里的估值问题是对所服务智能的市场抽成率，被一个两级代币结构（TAO 加子网代币）所复杂化，分析师必须合并而非重复计算。
智能体最新、也最缺锚。Virtuals 让用户拉起自主智能体，ai16z 运行一个由 AI 管理的 DAO，AIXBT 生成交易信号——确属新颖，但收入稀薄、非经常或干脆没有，该组较高点 55%–85% 的回撤正反映了这一点 [17]。智能体是叙事溢价最大之处，也是框架必须最存疑之处，因为"这智能体将来也许能赚费用"是一个折现预期主张，而非使用事实。
数据协议喂养着其余三者所依赖的那条管线。The Graph 为应用索引区块链数据；Grass 为 AI 训练采集并路由网络数据 [1][21]。其收入是查询或访问费，其价值问题类似一门带计量 API 的数据基础设施生意。四个子赛道并列，点破了标签所遮蔽的：同一叙事，四台收入引擎，四种倍数。
第三部分 · 估值问题：交换方程与速度陷阱
代币一旦被分好类，问题就是如何给一枚估值，而这里 AI 加密继承了代币估值这整个未解难题。股票有一个世纪的折现现金流与倍数理论；多数代币甚至不授予对其所助生成的现金流的任何索取权。最古老的严肃工具是货币交换方程 MV = PQ，从费雪的货币数量论引入、经 Chris Burniske 的 INET 模型适配到加密：整理后为 M = PQ / V，即一个网络所能支撑的市值（M）等于通过代币交易的经济体规模（PQ）除以代币速度（V）[9][12]。该模型把价值拆成一个当期效用分量（CUV，反映当下使用）与一个折现预期效用分量（DEUV，反映市场对未来使用的押注）[9]。此后的实证工作尝试把这个恒等式拟合到链上数据、而非假设其输入，把它从思想实验磨成可检验之物 [10]。
这个恒等式带着一条主导 AI 代币分析的教训：速度是价值的无声破坏者。若一枚代币纯作交换媒介使用——被 GPU 提供方赚到后立即兑成美元卖出——其速度就高，而高 V 会塌缩同样 PQ 所能支撑的 M [11]。这正是为何"我们的网络处理了 X 使用量"本身并非利好：若每一单位使用都以高速度经过代币再离场，可持续市值只是该流量的一小部分。守得住价值的代币，是那些给持有者一个不卖的理由的——质押、费用权、有牙齿的治理，或对需求而言真实的稀缺——从而压低 V、抬高给定 PQ 所支撑的 M。Bittensor 固定的 2100 万上限与偏重质押的设计，用交换方程的话说，是一台速度抑制机制；一个没有质押、纯作交换媒介使用的智能体代币，则是一台速度最大化机制 [3][11]。框架把速度当作一阶输入、而非事后补记。
第四部分 · 使用倍数：给对的子赛道配对的分子
在尊重速度之后，实用工具是一个使用倍数——市销率的加密类比——但框架的纪律是分母必须匹配子赛道。市销率，即市值比年化费用收入，已是赚费用协议的行业标准倍数，以太坊与主要 DeFi 场所都这么比，而它也暴露了叙事能有多贵：Uniswap 约 54 亿美元的估值对约 2600 万美元的年化协议费，隐含约 207 倍的收入倍数，对一家成熟交易所而言是个高增长科技的数字 [13]。这就是那把尺子，而每个 AI 子赛道都需要自己的版本。
对算力，正确的分母是网络算力收入——为 GPU 时间支付的真实费用——因为它是对一种有外部价格商品收取的费用；把市值对 Render 约 3800 万美元月收入（约 4.5 亿美元年化跑动率）或整赛道的约 1.8 亿至 2.2 亿美元来算的"市值/算力收入"倍数，是一个可防御、可与云厂对比的数字 [4][5]。对推理，分母是所服务智能的市场收入——Bittensor 一季度约 4300 万美元真实收入——但要在 TAO 与子网代币间合并，以免同一活动被重复计算 [3]。对智能体，诚实的分母通常近乎零经常性收入，而这恰是发现本身：对一个智能体代币算使用倍数往往无定义或荒谬，框架应直说、而非编造一个基于故事的数字 [17]。对数据，分母是查询或数据访问费，一个计量 API 的数字 [1][21]。AI 代币估值里最常见的单一错误，是借用一个算力式倍数——锚定于真实、有外部价格的收入——再套到一个"收入"是投机性的智能体代币上，这制造出一门云生意与一段叙事之间的虚假等同。
第五部分 · 激励可持续性评分：真实需求 对 增发补贴
一个使用倍数仍可能骗人，因为 AI 加密里许多看似需求的东西其实是补贴：网络以新印代币付给提供方来引导供给，而那笔增发能伪装成牵引力。DePIN 算力赛道整个 2026 年都在直面这一点，在一场被广泛记录的"收入转向"里从代币补贴增长转向真实业务现金流——Akash、io.net 与 Aethir 明确地在用付费客户替换代币挖矿 [4][26]。框架的第二件工具，即激励可持续性评分，正是为看穿补贴而造：对每个网络追问，代币增发有多少被真实外部收入所匹配，又有多少只是膨胀供应来为自己的使用买单。
其机制之所以重要，是因为它连着价值累积——整个练习里最深的难题。即便一个有真实收入的网络也可能一分都不传给代币：持有者往往对协议现金流没有索取权，除非治理明确授予，因此一个"收入"叙事可以与一个什么都捕获不到的代币并存 [14]。回购销毁与费用开关模型试图弥合这道缝，把代币销毁系于协议收入——Uniswap 启动其费用开关，是一个治理代币伸手去够价值累积的参照案例 [13][14]。但累积只有在它是净额时才真实：一个协议回购了 5% 供应、却同时通过归属与质押奖励解锁了 10%，仍在稀释，于是销毁只是化妆 [15]。实证判决既清醒又澄清：across 各代币，主动价值累积机制平均比仅治理型代币高出约 10 个百分点，但回报的主导驱动是收入规模、而非机制设计：那些在产生真实收入的同时返还资本的协议，大幅跑赢其余一切，而"高销毁率补偿不了零效用或衰退的需求"[15][16]。因此评分沿两轴同时给网络排序：其真实、外部需求的质量，以及其增发相对该需求的可持续性。
第六部分 · 跨可比标的的基准比较
一个框架靠给真实名字排序来自证，而 2026 终于供上了足够的真实收入来一试。练习是把每个代表性代币过一遍同样的四个问题——属哪个子赛道、在对的分母上是什么使用倍数、价值累积路径有多稳健、增发有多可持续——让差异自己落出来。
算力在需求质量上得分最好：Render 与 Akash 赚有外部价格、追踪真实 AI 使用的收入，故其使用倍数有意义、其增发越来越多由客户而非挖矿覆盖，这正是赛道收入转向的全部要点 [4][5][6]。分析师的下一步不是庆祝、而是核对净增发与价值累积路径——真实收入配上弱代币捕获仍会失败。推理由 Bittensor 领跑，在真实收入（一季度约 4300 万美元）与速度抑制（固定 2100 万上限、偏重质押、2025 年 12 月把日增发从 7,200 砍到 3,600 TAO 的减半）上得分不错，但要小心合并 TAO 加子网结构、并确认子网收入是真实的、而非 120 多个子网间的生态内投机 [3]。智能体在每一条要紧的轴上得分最低——收入稀薄或缺失、无外部价格锚、以及 55%–85% 的回撤（反映市场把叙事重新定价向基本面靠拢）——而框架的贡献是直说：多数智能体代币是几乎没有 CUV 的 DEUV 押注，而非以使用为后盾的资产 [9][17]。数据协议居于其间，有真实但相对估值往往不大的计量 API 收入 [1][21]。具体排名不如方法重要：同样四个问题，同样地施用，把一门可与云厂对比的算力生意，与一个单一"AI"倍数会一视同仁的叙事型智能体分开。
第七部分 · 局限与诚实的失效模式
一个估值框架靠指明它做不到什么来赢得信任。最大的局限是 AI 加密尚早，而早期资产合理地由其折现预期效用、而非当期效用主导：一个锚定当下使用的框架，会系统性地低估一个真在朝巨大未来需求建设的网络，正如一个严格的市销率筛选会打发掉早期的云计算股 [9]。这个评分是对叙事的一种纪律、而非对期权价值的水晶球，应被读作对当下相对基本面质量的排序、而非对一个网络十年潜力的判决。
另有四条局限值得像框架本身一样醒目。数据质量：链上"收入"可被操纵——刷量使用、一个项目自己子网或智能体间的生态内交易、以及资助驱动的需求，都能膨胀分母，而由于倍数只与其收入数字一样诚实，一个制造使用的网络便挫败整套装置 [3][26]。代币索取权的模糊：即便收入真实，代币也可能对其没有可执行的索取权，于是一门强生意可以坐在一枚无价值的代币之上——价值累积问题不是脚注、而是一道闸 [14][15]。叙事的反身性：因为"AI"是一个协同的市场因子，该组会不管框架所度量的基本面、随情绪同涨同跌，故优势在于赛道内的相对选择、而非择时叙事 [1][17]。模型谦逊：交换方程是一个恒等式、不是一个预测——其输出完全取决于假定的速度与未来 PQ，二者事前都不可观测——故严肃的从业者把任何点估计当作情景、而非目标，而我们的评分刻意是序数的、而非精确的价格 [10][11]。作为一份清单，框架磨利判断；作为一个估值神谕，它会令人失望。
结论 · 从叙事到分子
AI 加密奖赏那个拒绝篮子的分析师。叙事对待一个因子；框架对待四门生意，各有其收入引擎、其正确分母、其诚实倍数 [1][21]。倍数之下坐着交换方程及其无情的教训：是速度、而非标题式使用量，决定了给定规模的网络能守住多少价值，这正是为何一枚代币需要一个被持有、而不仅被使用的理由 [9][11]。倍数之外坐着激励可持续性评分，它把网络赚到的收入与它印出的供应分开，并追问其中是否有任何真的抵达了代币——那道一门真生意也可能失败的价值累积闸 [14][15][16]。二者之间，子赛道分类把一堵"AI 代币"墙变成一份有序的比较：点名子赛道、把真实使用放进对的分子、抑住叙事溢价、并核对增发是被需求覆盖、而非反过来。
这些判断所依托的更深层基元——代币增发与归属如何被设计、一个网络的流通盘如何偏离其完全稀释价值、以及费用捕获与回购销毁机制实际上如何（或如何未能）向持有者累积价值——每一个都值得单独理解，因为评分只与读者对它所评机制的把握一样好。把它当作一门在被叙事包裹的赛道里给基本面质量排序的纪律，绝不当作价格预测，并始终与任何供应—使用框架都无法捕捉的需求与市场语境并置。
参考资料
[1] CoinDCX, Top AI (Artificial Intelligence) Crypto Coins in June 2026（赛道规模、子赛道划分）。 coindcx.com
[2] The Motley Fool, "Better AI Crypto: Bittensor (TAO) vs. Render," 2026-05-06。 fool.com
[3] TAO Media, The Ultimate Guide to Bittensor 2026 与 The Complete Beginner's Guide to Dynamic TAO (dTAO)（子网、一季度收入、减半、2100 万上限）。 tao.media
[4] BlockEden.xyz, "DePIN's Revenue Pivot: From Token Subsidies to Real AI Compute Revenue," 2026-04-12。 blockeden.xyz
[5] Own Your Mind, Render vs Akash vs io.net 2026: Revenue, Burns & Tokenomics。 ownyourmind.ai
[6] BlockEden.xyz, "DePIN's Revenue Reckoning: How Akash, io.net, and Aethir Are Replacing Token Mining with Real Business Cash Flow," 2026-03-12。 blockeden.xyz
[7] Securities.io, GPU Rendering Wars: Render Network vs. Akash & AWS (2026)；BuildMVPFast, DePIN GPUs for Inference: io.net, Akash vs AWS。 securities.io
[8] Yellow.com Research, AI Compute Demand Is Outpacing Supply, And Crypto GPU Networks Are Closing the Gap (2026)。 yellow.com
[9] Chris Burniske, Cryptoasset Valuations（INET 模型；MV=PQ；CUV 对 DEUV）。 medium.com
[10] Improving the Equation of Exchange for Cryptoasset Valuation Using Empirical Data, arXiv 2403.04914。 arxiv.org
[11] I. Barbero, Understanding Velocity and Its Effects on MoE Token Dynamics, Coinmonks。 medium.com
[12] Eton Venture Services, The Quantity Theory of Money: A Framework for Valuing Crypto Tokens。 etonvs.com
[13] Talos, State of the Network: Uniswap Flips the Fee Switch — From Governance Token to Value Accrual（市销率标准；UNI 207 倍示例）。 talos.com
[14] FinTech Weekly, Rethinking Token Value: From Subsidized Supply to Sustainable Accrual。 fintechweekly.com
[15] Volity, Burn Rate: 2026 Crypto Tokenomics；FinanceFeeds, How Token Buybacks Can Affect Cryptocurrency Prices。 volity.io
[16] Novora Research, Which Token Value Accrual Model Works?（主动累积 +10 个百分点；收入规模主导）。 novora.co
[17] OpenAIToolsHub, AI Agent Crypto Tokens — Virtuals, ai16z, AIXBT, and Bittensor Explained（智能体收入、55%–85% 回撤）。 openaitoolshub.org
[18] Eqvista, Crypto Valuation Metrics — How to Value Crypto?（日活地址与使用指标）。 eqvista.com
[19] A. Damodaran, The Dark Side of Valuation 及其关于给尚无盈利的高增长资产用市销率与收入倍数的著述（使用倍数的方法论锚）。
[20] I. Fisher, The Purchasing Power of Money（1911），交换方程 MV=PT 的起源，此处适配为 MV=PQ。
[21] DEXTools News, Top 5 Crypto AI Projects: Best Artificial Intelligence Tokens (2026)（算力/数据龙头，含 The Graph、Grass、NEAR）。 dextools.io
[22] Crypto.news, Bittensor (TAO) Price Prediction: What the December Halving Means for TAO in 2026（减半机制；机构关注）。 crypto.news
[23] CryptoDaily, DeFi Revenue Tokens: Why Fees, Burns and Buybacks Matter More Than TVL, 2026-05。 cryptodaily.co.uk
[24] Gate Wiki, What Is Tokenomics: Allocation, Inflation Design, and Governance Utility in 2026。 gate.com
[25] Ashley Lannquist, Today's Crypto Asset Valuation Frameworks, Blockchain at Berkeley。 medium.com
[26] BlockEden.xyz, Decentralized GPU Networks 2026: How DePIN Is Challenging AWS for the $100B AI Compute Market。 blockeden.xyz
方法论与披露：本报告综合了 2026 年年中的 AI 加密公开赛道数据（项目数与市值 [1]；Render、Akash、io.net 的去中心化算力收入与利用率 [4][5][6][7][8]；Bittensor dTAO 子网、一季度收入、减半与供应上限 [3][22]；智能体代币表现 [17]）；加密资产估值文献（交换方程与 INET 模型 [9][12][20]、实证改进 [10]、速度动态 [11]、市销率实践 [13]）；以及代币价值累积文献（费用开关、回购销毁、净解锁后稀释 [14][15][16][23][24]）。四子赛道分类（算力/推理/智能体/数据）、使用倍数配对与激励可持续性评分，是用于在 AI 加密赛道内给相对基本面质量排序的、教育性的序数分析构造；所引数字（约 919 个项目与约 226 亿美元赛道市值；约 1.8 亿至 2.2 亿美元年化算力收入；Render 约 3800 万美元月收入；Akash 同比 428% 与 80%+ 利用率；Bittensor 一季度约 4300 万美元与 120+ 子网；智能体 55%–85% 回撤；约 207 倍的示例市销率）取自所引来源，用以说明框架、而非预测任何代币的价格。此处一切均非评级、推荐或价格目标。
免责声明：本文为币贝研究院的教育性内容，仅供参考。它不构成投资、交易、税务或财务建议。写作时点为 2026 年 7 月；AI 加密赛道、网络收入、代币供应计划与市场状况持续变化，请始终以最新的一手数据为准，并在做任何决定前自行研究。
