發佈日期：2026 年 7 月 23 日 · 幣貝研究院
關於這一主題的延伸研究，參見幣貝研究院《去中心化 AI 基礎設施》。
執行摘要
"AI 加密"是市場裏被敍事包裝得最重、估值卻最缺紀律的賽道。到 2026 年 4 月，這個交叉領域已錄得約 919 個被追蹤項目、合計市值近 226 億美元，最大的二十個 AI 代幣彼此合計約在 400 億至 600 億美元之間 [1]。可"AI 代幣"描述的是一個營銷類別，而非一個資產類別：一個去中心化 GPU 出租網絡、一個推理市場、一個鏈上自主智能體、一個數據標註協議，在如何賺錢、價值如何抵達代幣、何為合理倍數上幾乎毫無共同之處。把它們當作同一個籃子，是第一個、也是代價最高的分析錯誤，而這恰是敍事在主動鼓勵的錯誤。
本報告用三步把敍事換成紀律。第一，把賽道拆成四個子賽道——算力、推理、智能體、數據——各有一台不同的收入引擎，因此各有一個不同的估值錨 [1][21]。第二，堅持價格繫於使用而非故事，並把這一堅持紮根於代幣估值最古老的量化工具——貨幣交換方程 MV = PQ，其核心教訓（是代幣速度、而非標題式的採用度，決定了給定規模的網絡能支撐多少價值）解釋了為何這麼多"高使用量"的 AI 代幣仍在下跌 [9][10][11]。第三，因為 AI 代幣壓倒性地依賴增發補貼，我們加上一個激勵可持續性評分，把網絡真正賺到的收入與它僅僅印出來的供應分開——這正是 DePIN 算力賽道在 2026 年從代幣挖礦轉向真實現金流時艱難學到的區分 [4][26]。
其影響很具體，因為這幾個網絡頭一回有了真實數字可估。去中心化算力子賽道到 2026 年一季度年化收入約達 1.8 億至 2.2 億美元，由 Render（2026 年 1 月約 3800 萬美元月收入、約 5,600 個活躍 GPU 節點）與 Akash（使用量同比增長 428%、GPU 利用率高於 80%）領跑 [4][5][6]。Bittensor 的動態 TAO 升級把增發變成由市場驅動，並催生了逾 120 個子網（一年前僅 32 個），網絡在 2026 年一季度錄得約 4300 萬美元真實 AI 服務收入 [3]。這些正是使用倍數需要的輸入。與此同時，智能體子賽道——Virtuals、ai16z、AIXBT 及同類——幾乎沒有任何經常性收入卻較高點下跌 55%–85%，提醒我們這套框架的職責是排序、不是奉承 [17]。此處一切均為教育性分析，而非投資建議。
第一部分 · 為何"AI 代幣"是一個類別錯誤
對代幣是什麼保持精確，先於任何"它值多少"的估計，而 AI 這個標籤遮蔽而非揭示了這一點。市場歸到"AI 加密"名下的四樣東西，是四門不同的生意。像 Render 或 Akash 這樣的算力網絡出租 GPU 週期：其收入是對一種有現實價格的商品收取的使用費，最近的類比是一家雲基礎設施公司 [5][6][7]。像 Bittensor 這樣的推理或模型網絡付費給參與者產出機器智能輸出、並對其消費收費：其收入是對所服務智能的市場抽成，更接近一門 API 生意 [3]。像 Virtuals 或 ai16z 這樣的智能體代幣代表一個在鏈上交易的自主程序：其"收入"（若有的話）是智能體自身活動的費用或績效，類比更接近一隻基金或一段軟件、而非基礎設施 [17]。像 The Graph 或 Grass 這樣的數據協議把索引或採集來的數據賣進 AI 管線：其收入是查詢或數據訪問費 [1][21]。
這些不是同一樣東西的深淺色差。它們在賣什麼、誰付費、利潤多可防禦、以及——關鍵地——代幣對那筆錢是否有任何索取權上，各不相同。把它們塌縮成單一"AI"倍數，正是一個賺真實查詢費的數據索引協議，如何落得與一個只有推特粉絲、沒有現金流的智能體代幣享同一敍事溢價。賽道被稱道的那種相關性——2026 年年中幾乎每個代幣無論基本面如何都較歷史高點下跌 55%–85%——本身就是證據：市場一直在把敍事當成一個因子來定價，而非按四門不同生意各自的優劣來定價 [17]。分析師的第一個動作，就是把這個籃子拆開。
第二部分 · 一套子賽道分類：算力、推理、智能體、數據
分類是這套框架的主幹，因為它在任何數字被算出之前，就給每個代幣分派了正確的估值問題。
算力最成熟、也最可度量。去中心化 GPU 網絡出租渲染與 AI 訓練產能，贏得業務出於一個簡單而持久的理由：它們在可比按需定價上比超大規模雲廠低 60%–90%，其中 Render 的推理定價被獨立基準測試測得約比可比的 Azure 機器學習算力低 70% [7]。需求真實且鏈上可見——Render 約 3800 萬美元的 2026 年 1 月月收入、5,600 個活躍節點、逾 6700 萬累計渲染幀；Akash 同比 428% 的使用增長與 80% 以上的利用率——而且它追蹤的是一個真實的宏觀短缺，因為 AI 算力需求一直在超過供給，敞開了這些網絡所填補的那道缺口 [4][5][6][8]。算力是使用倍數最可信之處，因為其收入是對一種有外部價格的商品收取的費用。
推理與開放模型網絡在棧上高一層。Bittensor 是參照案例：其動態 TAO（dTAO）在 2025 年的重設計讓子網增發變得由市場驅動、並引入子網代幣，生態從一年前的 32 個擴張到逾 120 個活躍子網，合計子網市值越過 15 億美元，2026 年一季度產生約 4300 萬美元真實 AI 服務收入 [3]。這裏的估值問題是對所服務智能的市場抽成率，被一個兩級代幣結構（TAO 加子網代幣）所複雜化，分析師必須合併而非重複計算。
智能體最新、也最缺錨。Virtuals 讓用户拉起自主智能體，ai16z 運行一個由 AI 管理的 DAO，AIXBT 生成交易信號——確屬新穎，但收入稀薄、非經常或乾脆沒有，該組較高點 55%–85% 的回撤正反映了這一點 [17]。智能體是敍事溢價最大之處，也是框架必須最存疑之處，因為"這智能體將來也許能賺費用"是一個折現預期主張，而非使用事實。
數據協議餵養着其餘三者所依賴的那條管線。The Graph 為應用索引區塊鏈數據；Grass 為 AI 訓練採集並路由網絡數據 [1][21]。其收入是查詢或訪問費，其價值問題類似一門帶計量 API 的數據基礎設施生意。四個子賽道並列，點破了標籤所遮蔽的：同一敍事，四台收入引擎，四種倍數。
第三部分 · 估值問題：交換方程與速度陷阱
代幣一旦被分好類，問題就是如何給一枚估值，而這裏 AI 加密繼承了代幣估值這整個未解難題。股票有一個世紀的折現現金流與倍數理論；多數代幣甚至不授予對其所助生成的現金流的任何索取權。最古老的嚴肅工具是貨幣交換方程 MV = PQ，從費雪的貨幣數量論引入、經 Chris Burniske 的 INET 模型適配到加密：整理後為 M = PQ / V，即一個網絡所能支撐的市值（M）等於通過代幣交易的經濟體規模（PQ）除以代幣速度（V）[9][12]。該模型把價值拆成一個當期效用分量（CUV，反映當下使用）與一個折現預期效用分量（DEUV，反映市場對未來使用的押注）[9]。此後的實證工作嘗試把這個恆等式擬合到鏈上數據、而非假設其輸入，把它從思想實驗磨成可檢驗之物 [10]。
這個恆等式帶着一條主導 AI 代幣分析的教訓：速度是價值的無聲破壞者。若一枚代幣純作交換媒介使用——被 GPU 提供方賺到後立即兑成美元賣出——其速度就高，而高 V 會塌縮同樣 PQ 所能支撐的 M [11]。這正是為何"我們的網絡處理了 X 使用量"本身並非利好：若每一單位使用都以高速度經過代幣再離場，可持續市值只是該流量的一小部分。守得住價值的代幣，是那些給持有者一個不賣的理由的——質押、費用權、有牙齒的治理，或對需求而言真實的稀缺——從而壓低 V、抬高給定 PQ 所支撐的 M。Bittensor 固定的 2100 萬上限與偏重質押的設計，用交換方程的話説，是一台速度抑制機制；一個沒有質押、純作交換媒介使用的智能體代幣，則是一台速度最大化機制 [3][11]。框架把速度當作一階輸入、而非事後補記。
第四部分 · 使用倍數：給對的子賽道配對的分子
在尊重速度之後，實用工具是一個使用倍數——市銷率的加密類比——但框架的紀律是分母必須匹配子賽道。市銷率，即市值比年化費用收入，已是賺費用協議的行業標準倍數，以太坊與主要 DeFi 場所都這麼比，而它也暴露了敍事能有多貴：Uniswap 約 54 億美元的估值對約 2600 萬美元的年化協議費，隱含約 207 倍的收入倍數，對一家成熟交易所而言是個高增長科技的數字 [13]。這就是那把尺子，而每個 AI 子賽道都需要自己的版本。
對算力，正確的分母是網絡算力收入——為 GPU 時間支付的真實費用——因為它是對一種有外部價格商品收取的費用；把市值對 Render 約 3800 萬美元月收入（約 4.5 億美元年化跑動率）或整賽道的約 1.8 億至 2.2 億美元來算的"市值/算力收入"倍數，是一個可防禦、可與雲廠對比的數字 [4][5]。對推理，分母是所服務智能的市場收入——Bittensor 一季度約 4300 萬美元真實收入——但要在 TAO 與子網代幣間合併，以免同一活動被重複計算 [3]。對智能體，誠實的分母通常近乎零經常性收入，而這恰是發現本身：對一個智能體代幣算使用倍數往往無定義或荒謬，框架應直説、而非編造一個基於故事的數字 [17]。對數據，分母是查詢或數據訪問費，一個計量 API 的數字 [1][21]。AI 代幣估值裏最常見的單一錯誤，是借用一個算力式倍數——錨定於真實、有外部價格的收入——再套到一個"收入"是投機性的智能體代幣上，這製造出一門雲生意與一段敍事之間的虛假等同。
第五部分 · 激勵可持續性評分：真實需求 對 增發補貼
一個使用倍數仍可能騙人，因為 AI 加密裏許多看似需求的東西其實是補貼：網絡以新印代幣付給提供方來引導供給，而那筆增發能偽裝成牽引力。DePIN 算力賽道整個 2026 年都在直面這一點，在一場被廣泛記錄的"收入轉向"裏從代幣補貼增長轉向真實業務現金流——Akash、io.net 與 Aethir 明確地在用付費客户替換代幣挖礦 [4][26]。框架的第二件工具，即激勵可持續性評分，正是為看穿補貼而造：對每個網絡追問，代幣增發有多少被真實外部收入所匹配，又有多少隻是膨脹供應來為自己的使用買單。
其機制之所以重要，是因為它連着價值累積——整個練習裏最深的難題。即便一個有真實收入的網絡也可能一分都不傳給代幣：持有者往往對協議現金流沒有索取權，除非治理明確授予，因此一個"收入"敍事可以與一個什麼都捕獲不到的代幣並存 [14]。回購銷燬與費用開關模型試圖彌合這道縫，把代幣銷燬繫於協議收入——Uniswap 啓動其費用開關，是一個治理代幣伸手去夠價值累積的參照案例 [13][14]。但累積只有在它是淨額時才真實：一個協議回購了 5% 供應、卻同時通過歸屬與質押獎勵解鎖了 10%，仍在稀釋，於是銷燬只是化妝 [15]。實證判決既清醒又澄清：across 各代幣，主動價值累積機制平均比僅治理型代幣高出約 10 個百分點，但回報的主導驅動是收入規模、而非機制設計：那些在產生真實收入的同時返還資本的協議，大幅跑贏其餘一切，而"高銷燬率補償不了零效用或衰退的需求"[15][16]。因此評分沿兩軸同時給網絡排序：其真實、外部需求的質量，以及其增發相對該需求的可持續性。
第六部分 · 跨可比標的的基準比較
一個框架靠給真實名字排序來自證，而 2026 終於供上了足夠的真實收入來一試。練習是把每個代表性代幣過一遍同樣的四個問題——屬哪個子賽道、在對的分母上是什麼使用倍數、價值累積路徑有多穩健、增發有多可持續——讓差異自己落出來。
算力在需求質量上得分最好：Render 與 Akash 賺有外部價格、追蹤真實 AI 使用的收入，故其使用倍數有意義、其增發越來越多由客户而非挖礦覆蓋，這正是賽道收入轉向的全部要點 [4][5][6]。分析師的下一步不是慶祝、而是核對淨增發與價值累積路徑——真實收入配上弱代幣捕獲仍會失敗。推理由 Bittensor 領跑，在真實收入（一季度約 4300 萬美元）與速度抑制（固定 2100 萬上限、偏重質押、2025 年 12 月把日增發從 7,200 砍到 3,600 TAO 的減半）上得分不錯，但要小心合併 TAO 加子網結構、並確認子網收入是真實的、而非 120 多個子網間的生態內投機 [3]。智能體在每一條要緊的軸上得分最低——收入稀薄或缺失、無外部價格錨、以及 55%–85% 的回撤（反映市場把敍事重新定價向基本面靠攏）——而框架的貢獻是直説：多數智能體代幣是幾乎沒有 CUV 的 DEUV 押注，而非以使用為後盾的資產 [9][17]。數據協議居於其間，有真實但相對估值往往不大的計量 API 收入 [1][21]。具體排名不如方法重要：同樣四個問題，同樣地施用，把一門可與雲廠對比的算力生意，與一個單一"AI"倍數會一視同仁的敍事型智能體分開。
第七部分 · 侷限與誠實的失效模式
一個估值框架靠指明它做不到什麼來贏得信任。最大的侷限是 AI 加密尚早，而早期資產合理地由其折現預期效用、而非當期效用主導：一個錨定當下使用的框架，會系統性地低估一個真在朝巨大未來需求建設的網絡，正如一個嚴格的市銷率篩選會打發掉早期的雲計算股 [9]。這個評分是對敍事的一種紀律、而非對期權價值的水晶球，應被讀作對當下相對基本面質量的排序、而非對一個網絡十年潛力的判決。
另有四條侷限值得像框架本身一樣醒目。數據質量：鏈上"收入"可被操縱——刷量使用、一個項目自己子網或智能體間的生態內交易、以及資助驅動的需求，都能膨脹分母，而由於倍數只與其收入數字一樣誠實，一個製造使用的網絡便挫敗整套裝置 [3][26]。代幣索取權的模糊：即便收入真實，代幣也可能對其沒有可執行的索取權，於是一門強生意可以坐在一枚無價值的代幣之上——價值累積問題不是腳註、而是一道閘 [14][15]。敍事的反身性：因為"AI"是一個協同的市場因子，該組會不管框架所度量的基本面、隨情緒同漲同跌，故優勢在於賽道內的相對選擇、而非擇時敍事 [1][17]。模型謙遜：交換方程是一個恆等式、不是一個預測——其輸出完全取決於假定的速度與未來 PQ，二者事前都不可觀測——故嚴肅的從業者把任何點估計當作情景、而非目標，而我們的評分刻意是序數的、而非精確的價格 [10][11]。作為一份清單，框架磨利判斷；作為一個估值神諭，它會令人失望。
結論 · 從敍事到分子
AI 加密獎賞那個拒絕籃子的分析師。敍事對待一個因子；框架對待四門生意，各有其收入引擎、其正確分母、其誠實倍數 [1][21]。倍數之下坐着交換方程及其無情的教訓：是速度、而非標題式使用量，決定了給定規模的網絡能守住多少價值，這正是為何一枚代幣需要一個被持有、而不僅被使用的理由 [9][11]。倍數之外坐着激勵可持續性評分，它把網絡賺到的收入與它印出的供應分開，並追問其中是否有任何真的抵達了代幣——那道一門真生意也可能失敗的價值累積閘 [14][15][16]。二者之間，子賽道分類把一堵"AI 代幣"牆變成一份有序的比較：點名子賽道、把真實使用放進對的分子、抑住敍事溢價、並核對增發是被需求覆蓋、而非反過來。
這些判斷所依託的更深層基元——代幣增發與歸屬如何被設計、一個網絡的流通盤如何偏離其完全稀釋價值、以及費用捕獲與回購銷燬機制實際上如何（或如何未能）向持有者累積價值——每一個都值得單獨理解，因為評分只與讀者對它所評機制的把握一樣好。把它當作一門在被敍事包裹的賽道里給基本面質量排序的紀律，絕不當作價格預測，並始終與任何供應—使用框架都無法捕捉的需求與市場語境並置。
參考資料
[1] CoinDCX, Top AI (Artificial Intelligence) Crypto Coins in June 2026（賽道規模、子賽道劃分）。 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 與 The Complete Beginner's Guide to Dynamic TAO (dTAO)（子網、一季度收入、減半、2100 萬上限）。 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 對 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（市銷率標準；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?（主動累積 +10 個百分點；收入規模主導）。 novora.co
[17] OpenAIToolsHub, AI Agent Crypto Tokens — Virtuals, ai16z, AIXBT, and Bittensor Explained（智能體收入、55%–85% 回撤）。 openaitoolshub.org
[18] Eqvista, Crypto Valuation Metrics — How to Value Crypto?（日活地址與使用指標）。 eqvista.com
[19] A. Damodaran, The Dark Side of Valuation 及其關於給尚無盈利的高增長資產用市銷率與收入倍數的著述（使用倍數的方法論錨）。
[20] I. Fisher, The Purchasing Power of Money（1911），交換方程 MV=PT 的起源，此處適配為 MV=PQ。
[21] DEXTools News, Top 5 Crypto AI Projects: Best Artificial Intelligence Tokens (2026)（算力/數據龍頭，含 The Graph、Grass、NEAR）。 dextools.io
[22] Crypto.news, Bittensor (TAO) Price Prediction: What the December Halving Means for TAO in 2026（減半機制；機構關注）。 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
方法論與披露：本報告綜合了 2026 年年中的 AI 加密公開賽道數據（項目數與市值 [1]；Render、Akash、io.net 的去中心化算力收入與利用率 [4][5][6][7][8]；Bittensor dTAO 子網、一季度收入、減半與供應上限 [3][22]；智能體代幣表現 [17]）；加密資產估值文獻（交換方程與 INET 模型 [9][12][20]、實證改進 [10]、速度動態 [11]、市銷率實踐 [13]）；以及代幣價值累積文獻（費用開關、回購銷燬、淨解鎖後稀釋 [14][15][16][23][24]）。四子賽道分類（算力/推理/智能體/數據）、使用倍數配對與激勵可持續性評分，是用於在 AI 加密賽道內給相對基本面質量排序的、教育性的序數分析構造；所引數字（約 919 個項目與約 226 億美元賽道市值；約 1.8 億至 2.2 億美元年化算力收入；Render 約 3800 萬美元月收入；Akash 同比 428% 與 80%+ 利用率；Bittensor 一季度約 4300 萬美元與 120+ 子網；智能體 55%–85% 回撤；約 207 倍的示例市銷率）取自所引來源，用以説明框架、而非預測任何代幣的價格。此處一切均非評級、推薦或價格目標。
免責聲明：本文為幣貝研究院的教育性內容，僅供參考。它不構成投資、交易、税務或財務建議。寫作時點為 2026 年 7 月；AI 加密賽道、網絡收入、代幣供應計劃與市場狀況持續變化，請始終以最新的一手數據為準，並在做任何決定前自行研究。
