Chutes ：重建Web3與AI推理的去中心化Serverless基礎設施

1.核心摘要

Chutes (SN64) 是建構在 Bittensor 網路上的去中心化 Serverless AI 運算平台。 在 Web3 的 AI 算力賽道中，其核心定位類似於「叫車平台」與車型 PaaS（平台即服務）。 該平台透過整合全球分散的閒置 GPU 算力並結合先進的容器化編排技術，為開發者提供開箱即用、按需付費的 AI 推理 API。

在底層架構上，Chutes 採用經典的雙角色博弈機制：由礦工（Miners）提供底層硬體隨時響應外部請求，由驗證者（Validators）實時評估質量並分配權重，從而形成了一個兼具低成本與高並發能力的工業級推理網絡。 目前，Chutes 率先在去中心化運算領域跑通了真實的商業閉環，累計處理超 9.1 兆個 Tokens，擁有逾 40 萬活躍用戶，並成為 Bittensor 生態首個自我報告估值突破 1 億美元大關的現象級子網。 透過將真實業務收益反哺代幣價值，Chutes 具備在長期發展為去中心化 AI 賽道獨角獸級基礎設施的潛力。

2.產業背景：AI 推理的崛起與 Web2 模式的困境

2.1 什麼是模型推理？ 與預訓練的本質差異

在深入了解算力平台之前，我們需要理清 AI 模型生命週期中的兩個核心階段：預訓練（Training） 與 推理（Inference）。

模型預訓練： 這是 AI 模型的「學習階段」。 研究人員需要將大量的資料（如整個互聯網的文字語料）輸入給神經網絡，透過大規模的矩陣乘法不斷調整模型內部的數十億甚至數千億個參數。 此過程極為耗時，且對叢集算力的連網頻寬（如 NVLink）要求極高，屬於「集中力量辦大事」的重資產投入。

模型推理： 這是 AI 模型的「應用階段」。 當模型訓練完畢後，參數被固定下來。 此時使用者輸入一段提示詞（Prompt），模型透過前向傳播計算（Forward Pass）產生機率最高的下一個詞語。 相較於訓練，推理所需的單次算力較小，但要求極高的並發處理能力、極低的延遲響應（Latency）以及 24/7 的系統穩定性。

2.2 算力賽道的發展邏輯與產業重心的轉移

回顧整個算力賽道的發展，我們可以清楚地看到一條演進主線：從早期的 CPU 通用計算，到 GPU 的平行運算崛起（CUDA 生態的建立），再到如今專為 AI 定制的 TPU 和 ASIC 晶片百花齊放。 在過去幾年，資本和技術的焦點幾乎全部集中在「如何訓練出更聰明的模型」。 然而，隨著 Llama 系列以及 DeepSeek 等開源大模型能力的飛躍，開源模型與閉源巨頭（如 GPT-4）之間的智力差距被迅速抹平。 AI 產業的價值捕捉重心正不可逆地從「模型預訓練」轉向「模型推理（Inference）」。 原因在於，大模型要實現真正的大規模商業化落地與賦能千行百業，必須具備 24/7 的高可用與低延遲反應能力。 此時，「如何便宜、穩定、快速地運行模型」成為了業界最大的痛點。

2.3 Web2 時代的 AI 推理參與者及核心限制

目前的 Web2 推理賽道主要由以下幾類參與者主導：

閉源模型 API 提供者： 如 OpenAI (ChatGPT)、Anthropic (Claude)、Google (Gemini)。 它們提供極為易用的 API，但黑盒子運作，價格昂貴且存在極強的生態綁定。

傳統雲端服務巨頭： 如 AWS (亞馬遜雲端)、Microsoft Azure、Google Cloud。 它們提供底層虛擬機器或 GPU 裸機租賃，靈活性高但運維成本極重。

垂類推理即服務（MaaS）平台： 如 Together AI、Anyscale、HuggingFace Inference Endpoints。 它們專門為開源模型提供推理託管服務。

然而，當開發者在使用這些 Web2 巨頭（如 OpenAI API、AWS 或 Together AI）的服務時，依然面臨著三座難以逾越的大山：高昂的“算力稅”與結算顆粒度粗糙： 中心化機房的軟硬體折舊（場地呼叫 此外，傳統雲端運算往往以「小時」或「整台機器」計費，這種傳統計費模式對具有海量瞬時並發需求的大規模應用並不友好，非高峰期經常存在嚴重的資源閒置浪費。

複雜的「基建坑」： 對於嘗試跳過雲端廠商 API、自行租賃機器部署開源大模型的新創團隊而言，必須面對一條極其陡峭的學習曲線。 他們需要解決複雜的顯示卡選型、底層驅動配置、推理加速框架（如 vLLM、TensorRT）調優、節點維護以及容器化叢集編排等問題，工程門檻極高。

廠商鎖定與資料隱私風險： 企業一旦深度綁定特定雲端廠商的 API 服務，其未來的技術路線擴展與成本結構將完全受制於人。 更致命的是，對於醫療、金融、法律等高度敏感的行業，將核心業務的私密資料傳輸至中心化 API 伺服器處理，存在極高的資料外洩隱患與合規風險。

3.破局之道：Chutes 用「網絡」重建 AI 推理

3.1 核心定位：AI 生態裡的「叫車平台」與去中心化 PaaS

在龐大且分工明確的 Bittensor 生態中，各個子網各司其職。 例如，Templar (SN3) 扮演著“造車工廠”的角色，其核心任務是從零開始，聚合算力訓練出智力頂尖的開源模型；而 Chutes (SN64) 的定位截然不同，它專注於“運營服務”，扮演著 Web3 時代“網約車平台”的角色。

Chutes 本身並不負責生產模型，而是透過其網路協議，高效整合全球分佈的「車輛」（即分散在世界各地的閒置 GPU 算力），讓現成、頂尖的開源模型在這些節點上高效運轉，進而為外部開發者提供無縫的推理服務。 本質上，Chutes 在區塊鏈之上構築了一個去中心化、開源友好且高度標準化的底層 PaaS（平台即服務）設施。

3.2 真正的 Serverless 體驗與極致成本優勢

Chutes 為開發者帶來的核心變革在於實現了真正的 Serverless（無伺服器）體驗。 使用 Chutes 時，開發者完全無需操心底層的硬體選型、環境配置與叢集維護，只需修改幾行程式碼，就可以透過完全相容 OpenAI 格式的 API 順暢接入網路。 在成本控制方面，依托區塊鏈原生的加密微支付（Micropayments）機制，Chutes 實現了行業罕見的「以單一 Token 計費」的超級細粒度結算。 這種顛覆性的結算方式徹底消除了傳統雲端主機按小時計費所帶來的資源閒置浪費。 在實際應用中，這種優勢使其價格比傳統雲端服務（如 AWS）便宜約 85%，比市場上多數中心化 API 平台節省至少 40% 的成本。

3.3 隱私升級：TEE 架構建構信任飛輪

在去中心化網路中，如何保護使用者輸入給匿名節點的 Prompt（提示詞）和業務資料一直是最大的難題。 針對企業級用戶對隱私的深刻擔憂，Chutes 目前正在其網路中全面推進 TEE（可信任執行環境，Trusted Execution Environments）的部署。 TEE 技術利用硬體層級的加密手段，在 CPU/GPU 內部隔離出一塊受到嚴格保護的記憶體區域。 這意味著去中心化節點可以在一個加密的「黑盒」內處理推理請求，在計算全過程中，連提供算力的礦工本人也絕對無法窺探到用戶的敏感輸入資料。 這項底層技術的引進，從根本上解決了去中心化網路面向企業級商用部署的合規與隱私痛點，為 Web2 企業的大規模採用掃清了障礙。

4.核心架構：AI 推理是如何在網路中完成的

在 Chutes 的底層分散式架構中，系統透過複雜的路由與負載平衡機制，將海量的推理任務分發至全球網路。 其核心參與者被明確劃分為兩大類，透過精妙的密碼學與經濟市場博弈來保障最終的服務品質：

礦工（服務提供者）： 全球各地的算力節點通過質押接入系統後，必須根據網路指令，載入系統指定的「常駐熱模型」（Permanently Hot Models）。 「熱模型」表示模型的巨量參數已經預先載入到 GPU 的記憶體（VRAM）中。 基於先進的容器化編排技術，這些算力節點必須隨時保持高度的系統可用性，以便隨時以極低的冷啟動延遲，承接瞬時湧入的高並發 API 請求。

驗證者（質檢員）： 在去中心化網路中，沒有中心機構進行監督，因此必須依賴驗證節點（Validators）。 驗證者負責持續向礦工發送隨機生成的測試請求以及路由真實的業務請求，並從響應延遲（首字生成時間 TTFT）、吞吐能力（每秒生成的 Token 數）和輸出準確率等多個核心維度對礦工的服務進行嚴苛打分。 表現優異的礦工將獲得豐厚的網路代幣獎勵，而表現不佳或試圖作惡的礦工會被系統無情淘汰，甚至罰沒質押金。

這種基於 Bittensor 底層共識的去中心化博弈架構，巧妙地將利益驅動轉化為服務品質的保障，確保了即使是鬆散的分佈式網絡，也能夠持續輸出媲美中心化頂級機房的工業級系統穩定性。

5.經濟引擎：從「通膨驅動」向「真實造血」的跨越

在加密世界的過往週期中，大量早期的 Web3 算力項目陷入了死亡螺旋：它們過度依賴代幣的惡性通膨釋放來補貼吸引算力（即所謂的「挖礦」），一旦二級市場表現不佳，算力便會迅速流失。 相較之下，Chutes 最核心的競爭力在於其成功跑通了良性的去中心化商業閉環。

目前，Chutes 網路每天能夠穩定處理巨量的真實 B 端（企業級）和 C 端（終端消費者） API 請求。 透過代幣系統，網路向這些使用者收取真實的服務費用。 更關鍵的是，依靠系統底層內建的自動質押（Auto-Staking）及結算機制，這些源自外部真實世界的業務收入（可能始於法幣支付），最終會直接轉化為對網絡生態資產（代幣）的強勁買盤。 這種機制不斷反哺代幣持有者及參與維護網絡的各方力量，真正實現了從「燒錢買算力」的龐氏模型向「真實業務造血」的可持續經濟模型的跨越。

6.生態現況與亮眼的資料表現

截至近期的鏈上及業務數據追踪，Chutes 網路在實際的高並發業務場景中展現出了極其強大的吞吐上限與深度的市場滲透率。

核心業務量突破天際： Chutes 網路已累積處理了超過 9.1 兆個 Tokens，這是一個在 Web3 乃至眾多 Web2 中型平台中都極具分量的數字。 其日峰值處理量可高達 500 億次，累計服務了超過 40 萬名終端及開發者用戶。

絕對領先的市場地位： 憑藉紮實的業務數據，Chutes 成為整個 Bittensor 生態內首個自我報告估值跨越 1 億美元 大關的現象級子網。

深度的生態融合與「水電煤」屬性： 在外部，Chutes 成功服務了眾多出圈應用。 在內部，Chutes 也逐漸成為了 Bittensor 生態內其他子網（如聚焦各類垂類應用和資料處理的子網）的核心算力提供者，充當了整個去中心化 AI 生態底層「水電煤」的關鍵角色。

穩健的代幣經濟指標： 截至 2026年 5 月 12 日，Chutes 的子網代幣 Alpha (alpha token) 價格約為 0.0877 TAO。 網路不僅吸引了約 13666 個持幣地址，還擁有 244 個活躍礦工節點和 12 個驗證者節點。 其網路 Emission（排放）佔比為 8.77%。 同時，在其 DEX 流動性池中，底倉 TAO 佔比為 7.88%，Alpha 佔比為 92.12%。 無論從算力規模或資金體量來看，Chutes 在 TAO 生態中都屬於絕對的頭部項目。 這些數據清楚地反映了其實際市場熱度：

(資料來源：https://bittensormarketcap.com/subnets/64)

7.競爭格局、潛在挑戰與終局展望

7.1 核心優勢與賽道護城河壁壘

目前的去中心化計算（DePIN AI）賽道已經徹底告別了「講概念、寫白皮書」的蠻荒時代，進入了「拼交付、拼成本、拼穩定性」的深水區。 相較於僅提供裸機租賃的平台，Chutes 最強大的護城河在於其 已經被海量業務數據嚴格驗證過的商業級推理交付能力 與 對傳統 Web2 巨頭絕對的成本碾壓優勢。 結合未來後續全面上線的 TEE 隱私加密架構，Chutes 成功為那些畏懼矽谷大廠生態壟斷和資料霸權的開發者，提供了一個完全無需許可（Permissionless）且性價比極高的理想基礎設施。

7.2 潛在的挑戰與破局難關

儘管目前的業務資料與模型流轉十分亮眼，但 Chutes 若要從 Web3 走向更為廣闊的主流世界，未來仍需攻克一些硬核難關。 極端並發下的冗餘彈性考驗： 當未來出現真正的「殺手級」千萬級日活 AI 應用，並在極短時間內突然接入網絡時，去中心化網絡能否保證在算力需求激增的情況下，依然維持毫秒級的低延遲響應且不發生宕機，是對調度算法的終極考驗。 企業級市場心智的破圈： 儘管擁有 TEE 技術加持，但如何打破傳統 Web2 公司的刻板印象，讓更多合規企業信任並大規模採用去中心化 API 協議，仍需要漫長且持續的市場教育與培育。

7.3 終局推演

總結而言，隨著多模態大模型和 AI 代理（AI Agents）的高頻、自主交互時代全面來臨，機器與機器之間的對話將產生指數級暴增的推理需求。 此時，一個低成本、無限制、支援按需微支付的去中心化推理層，必將成為下一代網路不可或缺的剛需基礎建設。 Chutes 所代表的，不僅是底層運算資源分配方式的去中心化，更是人類社會開源智力資源的一次普惠化分發。 如果 Chutes 能夠成功跨越流量承接的高牆與傳統企業端採用的信任鴻溝，它極有希望在未來幾年內，成長為去中心化 AI 賽道中具備長期價值捕獲能力的超級底座與獨角獸平台。