翻完@OpenGradient 的競品地圖和生態數據，我算了一筆賬，越算越覺得它的市場空間被夾在了兩頭。
先看同賽道。去中心化AI基礎設施已形成清晰分層：Akash和Render佔據算力層，Bittensor以128個活躍子網和近15億美元子網代幣市值壟斷模型激勵層。OpenGradient被歸入“可驗證推理”子賽道——一個比算力和模型訓練窄得多的切口。Gate學院的對比分析寫得很清楚：OpenGradient側重“推理與驗證”，Bittensor側重“訓練與激勵競爭”。差異化確實存在，但差異化的市場空間有多大？我的判斷是：可驗證推理是剛需，但剛需的規模遠小於算力和模型層。
再看中心化雲廠商。OpenGradient的核心技術是TEE和ZKML。AWS Nitro、Azure機密計算早就提供了企業級TEE服務。如果哪天AWS在自己的控制檯里加一個“一鍵可驗證推理”按鈕，OpenGradient拿什麼擋？TEE硬件來自AWS，ZKML性能開銷極高——“可驗證”的技術門檻，並沒有高到中心化雲廠商夠不着。
更讓我在意的是生態的脆弱性。項目方宣稱200萬用戶、200萬次推理、4500+模型，但“可驗證AI”本身是小衆需求——絕大多數AI用戶不關心推理是否上鍊審計。如果核心合作應用流失，推理量和OPG消耗將同步下滑。而項目方從未拆分披露付費調用比例和用戶留存率。200萬用戶聽起來不少，但空投激勵下的用戶和真實商業需求驅動的用戶，含金量能一樣嗎？
算力層有Akash和Render，模型層有Bittensor，可驗證層有中心化雲廠商虎視眈眈。OpenGradient夾在中間，上不去下不來。在它證明“可驗證”能跑出獨立的市場規模之前，我不會把這200萬用戶當作生態護城河。
#opg $OPG
先看同賽道。去中心化AI基礎設施已形成清晰分層：Akash和Render佔據算力層，Bittensor以128個活躍子網和近15億美元子網代幣市值壟斷模型激勵層。OpenGradient被歸入“可驗證推理”子賽道——一個比算力和模型訓練窄得多的切口。Gate學院的對比分析寫得很清楚：OpenGradient側重“推理與驗證”，Bittensor側重“訓練與激勵競爭”。差異化確實存在，但差異化的市場空間有多大？我的判斷是：可驗證推理是剛需，但剛需的規模遠小於算力和模型層。
再看中心化雲廠商。OpenGradient的核心技術是TEE和ZKML。AWS Nitro、Azure機密計算早就提供了企業級TEE服務。如果哪天AWS在自己的控制檯里加一個“一鍵可驗證推理”按鈕，OpenGradient拿什麼擋？TEE硬件來自AWS，ZKML性能開銷極高——“可驗證”的技術門檻，並沒有高到中心化雲廠商夠不着。
更讓我在意的是生態的脆弱性。項目方宣稱200萬用戶、200萬次推理、4500+模型，但“可驗證AI”本身是小衆需求——絕大多數AI用戶不關心推理是否上鍊審計。如果核心合作應用流失，推理量和OPG消耗將同步下滑。而項目方從未拆分披露付費調用比例和用戶留存率。200萬用戶聽起來不少，但空投激勵下的用戶和真實商業需求驅動的用戶，含金量能一樣嗎？
算力層有Akash和Render，模型層有Bittensor，可驗證層有中心化雲廠商虎視眈眈。OpenGradient夾在中間，上不去下不來。在它證明“可驗證”能跑出獨立的市場規模之前，我不會把這200萬用戶當作生態護城河。
#opg $OPG