大模型参数住上区块链：去中心化存储如何重构AI基础设施

摘要

前沿生成模型的参数规模在近两年持续攀升，单套百亿参数级权重的静态文件体积已突破200GB。当前多数训练机构与分发平台将模型参数统一托管于少数云服务商的数据中心，这种模式在提升分发效率的同时，也形成了单点故障域与访问控制高度集中化。2025年7月，0G Labs联合中国移动，以覆盖多地的异构GPU集群与标准互联网带宽完成了1070亿参数模型的预训练，刷新了去中心化训练规模的公开记录。回溯这一里程碑，可以看到早在2019年微软研究院就提出了SUM框架，将小型机器学习模型直接嵌入智能合约，探索了链上协作更新的完整闭环。本文从存储物理现状与参数序列化格式切入，对比IPFS、Filecoin与Arweave的内容寻址、存储市场与永久存档三种技术定位，系统梳理哈希锚定、分段托管与激励博弈的三重运转机制，再回顾SUM实验与去中心化训练规模跃迁的时间线，并从日志层、存储层、结算层、验证层四层架构剖析当前瓶颈与拓扑演进。文末面向开发者提供五条从实验到落地的行动建议。

前言

几乎每个AI应用开发者都曾面临过一个朴素却沉重的问题：模型文件存在哪里？一套完整的LLaMA级700亿参数权重，仅二进制体积就超过130GB。多版本迭代、团队共享与跨区域分发时，版本控制与传输成本呈指数级膨胀。多数工程团队选择将文件托管在对象存储服务中，依托云厂商的全球加速网络实现分发。这套方案足够高效，却也意味着模型的物理存在被锁定在少数商业实体控制的数据中心。从这个角度来看，"大模型参数住上区块链"并非营销修辞，而是一个已经落地的技术事实——区别在于，参数本身并不直接上链，链上存储的往往是不可篡改的哈希锚点、版本日志与激励结算记录。接下来的内容将从工程与协议两个维度，拆解这一交叉领域。

一、当AI的"体重"超过了存储秤的承重

2020年前后，OpenAI发布GPT-3，1750亿参数的文件体积已触及普通开发者的认知边界。按FP16精度估算，每参数占用2字节，175B即约350GB原始权重。到了700亿规模的LLaMA 2/3，量化技术压缩了推理部署体积，但在训练与全精度版本控制场景下，单套权重文件依然突破100GB。这相当于把一部50GB的4K高清电影作为邮件附件发送——没人会这么做。

工程团队的分层应对方式是：训练检查点放在高速节点内部存储，正式发布权重放在对象存储桶，开发者的本地环境按需拉取。流程看似顺畅，却隐藏两个张力。第一，全量同步成本。130GB文件从新加坡数据中心传到北京开发者的笔记本，即便千兆带宽也需十余分钟。多办公室协作时，这种传输会反复发生。第二，信任锚缺失。从模型平台下载二进制文件，验证方式通常是对比发布方提供的SHA-256摘要。但如果发布方账号被入侵，摘要与文件可被同时替换。

这两个问题恰好落在去中心化存储的设计射程内。内容寻址天然解决了"文件是否被篡改"的疑问——只要哈希值匹配，无论数据来自哪个节点，完整性都可被密码学验证。分布式路由与多节点缓存则从结构上降低了单点传输压力。借助这些特性，前沿团队开始将权重分发从云存储桶迁移到IPFS网络，并在协议层叠加激励与结算逻辑。理解这些实践之前，需要先回到参数本身的物理属性。

二、一行代码值多少GB？拆解大模型参数的实体存在

大语言模型的参数不是抽象数字，而是以特定格式序列化的二进制文件。常见格式包括PyTorch的.pt/.bin，以及Hugging Face上逐渐普及的.safetensors。.safetensors采用Rust实现的高效序列化协议，将张量数据与元数据（shape、dtype、框架名称）封装为连续缓冲区，支持内存映射加载，避免一次性全量读入。70B参数的全精度文件在.safetensors下约为140GB（FP16），INT8量化版本可缩减至约70GB。

版本控制是易被低估的负担。一次完整训练可能产生数十个检查点，每个130GB，总容量迅速进入TB级。传统Git无法处理这种体量的二进制，团队通常依赖Git LFS或自建的对象存储方案。Git LFS在仓库中保留指针文件，大文件独立托管——这本质上是"指针替代内容"的思路，与去中心化存储"链上存指针、链下存内容"异曲同工。

参数文件的传输还牵涉及带宽经济学。以某主流对象存储跨区域出站流量计费模型为例，从北美传1TB到亚太的流量费用约为90至120美元。一个标注团队月内下载10个版本的70B模型，流量支出可能超过硬件租金。去中心化存储网络对这笔支出进行了重新分配：请求者向邻近缓存节点支付检索费用，节点服务者通过维持在线与提供带宽获得协议激励。这种转移不是简单的"省钱"，而是将存储与带宽的定价权从单一服务商手中部分释放出来。

三、从IPFS到Filecoin：去中心化存储的"刻度盘"与"经济账簿"

去中心化存储并非单一协议，而是一个光谱。理解这个光谱需要看清三把尺子：IPFS的内容寻址路由、Filecoin的存储市场、Arweave的持久化存档。

IPFS（InterPlanetary File System）是一个基于内容寻址的分布式超媒体协议。文件加入网络后被切分为256KB的块，每块通过哈希运算生成内容标识符CID。请求者按CID查询，DHT（分布式哈希表）负责将请求路由到持有对应块的节点。IPFS本身不提供持久化保证：若一个文件仅由单节点持有且该节点离线，网络中便不可达。它的定位是高效的内容分发管道，类似BitTorrent的协议层抽象。

Filecoin在IPFS基础上增加了激励层，将空闲的存储空间转化为可交易资源。存储提供者通过"复制证明"（PoRep）向链上证明数据已被物理封存，并通过"时空证明"（PoST）周期性地证明数据仍在持续保存。请求者支付检索费用，存储提供者获得协议激励。与IPFS的纯自愿共享不同，Filecoin引入经济博弈，使数据持久性由市场激励而非节点所有者的善意来保障。

Arweave走了另一条路线。它的核心数据结构是"区块编织"（blockweave），通过访问证明（Proof of Access, PoA）激励存储提供者保存全部历史数据。与Filecoin按时间计费的租赁模式不同，Arweave采用一次性预付策略，理论上实现数据的永久存储。这种方案对模型权重的长期存档极具吸引力——发布在Arweave上的训练检查点，可在协议层面永久保留，无需按年续费。

技术参考框
IPFS的CID v1使用multibase前缀编码，典型长度为59个字符的base32字符串，例如 bafybeigdyrzt5sfp7udm7hu76...。当该CID被写入以太坊交易的数据字段时，仅占链上约60字节，却能够锚定任意体积的链下文件。这种"轻锚重存"的结构，正是大模型参数与区块链交互的基本范式。

graph TD
    A(模型文件 130GB权重) --> B(切分为256KB块)
    B --> C(每块计算哈希CID)
    C --> D(CID列表写入区块链)
    C --> E(块分发至IPFS网络节点)
    E --> F(Filecoin 存储合约保障持久性)
    E --> G(Arweave 一次性预付永久存档)
    D -- 链上锚定 --> H(验证层 哈希比对确认完整性)
    E -- 链下存储 --> I(检索层 DHT路由或存储接单)
    H --> J(调用端 按需拉取并重新组装)
    I --> J

流程图展示了一个典型的"参数上链"工程路径：模型文件被切分为固定大小的块，每块生成内容标识。这个内容标识列表——仅几十到几百字节每条——被写入区块链交易，构成不可篡改的存在性证明；实际的文件块则被分发到分布式网络中的存储节点。终端需要调用模型时，先验证链上哈希与文件哈希的匹配性，再从网络中检索原始数据并重新组装。这种"哈希上链、数据下链"的架构，既避免了区块链存储容量的物理瓶颈，又保留了内容完整性的密码学保证。

四、三家公司不能拥有所有人工智能：集中化存储的隐性结构风险

全球AI基础设施的物理底座高度集中。截至2026年，三大云厂商在全球公共云AI训练市场中占据约七成份额。这意味着绝大多数开源与闭源模型的训练、存储与分发，都依赖同一套电力、网络与访问控制系统。结构性风险并非空穴来风：一旦区域性政策调整、服务条款变更或供应链受阻，依赖单一平台的模型分发可能瞬间中断。

更隐蔽的风险在于访问的"黑箱化"。越来越多的前沿模型不再提供可下载的权重文件，而是将模型封装于API之后。开发者可以获取输出，却无法审计模型版本、验证权重完整性或确认训练数据是否存在偏差。这种模式下，模型的物理存在与逻辑存在被彻底分离——它存在于某座数据中心的某个节点上，但外部世界只能看到一个HTTP端点。

去中心化存储提供了一种对抗单点故障与黑箱化的工程手段。当模型权重被切分为带有CID标识的块，并散布于全球数万个节点时，任何单一节点的宕机都不会导致模型丢失。当哈希锚定与版本日志被写入区块链后，任何对模型文件的未授权修改都会在密码学层面留下痕迹。这两个特性结合起来，为AI基础设施提供了独立于商业实体的信任基座。

五、把模型参数"存进"协议：工程路径与链上链下的关键区分

"把模型存进区块链"这句话本身具有多重技术含义，必须区分三种截然不同的实现方式。

第一种是"全链存储"。将模型的每一权重直接写入链上交易或智能合约的存储槽。这种方式提供了极高的可验证性，每一个参数都可以被链上逻辑读取与审计。但它的代价同样高昂：以太坊主网每千字节存储成本约为数百美元，将140GB模型完整上架链的成本会达到天文数字。因此，全链存储目前仅在小规模线性模型或关键参数子集的极端场景中可行。

第二种是"哈希锚定"。将模型文件存储在链下网络（IPFS、Arweave等），然后将文件的内容哈希、版本号、元数据写入链上智能合约。这是当前工程实践中的主流范式。模型本身的物理体积不受链上容量限制，而链上合约则作为"登记簿"，记录哪个哈希对应哪个版本、谁有权发起更新、更新是否经过了多签或DAO投票。当用户需要验证模型时，只需从链上读取哈希，并与本地计算的文件哈希进行比对。这种"链下存内容、链上存信任"的设计，在成本与可验证性之间取得了平衡。

第三种是"状态通道与分层日志"。不存储参数本身，也不存储完整哈希，而是将模型更新的差异（delta）或梯度摘要通过状态通道或Rollup定期提交到链上。微软的SUM框架与0G Labs的分布式训练实践都采用了这一思路：链上记录的不是1000亿个具体参数，而是"谁贡献了哪些梯度"的日志条目与正确性证明。

技术参考框
在以太坊的 Solidity 合约中，一个 struct ModelVersion { bytes32 contentHash; uint256 timestamp; address submitter; } 仅占用两个存储槽（64字节），却能够绑定任意体积的链下文件。通过附加 bytes32 merkleRoot，合约还能进一步绑定文件的Merkle树根，实现分段验证而不必下载完整文件。

graph TD
    A(开发者提交模型) --> B(计算完整文件的Merkle根)
    B --> C(选择存储策略)
    C --> D(IPFS 热缓存分发)
    C --> E(Filecoin 冷存储合约)
    C --> F(Arweave 永久存档)
    D --> G(链上智能合约 记录CID与Merkle根)
    E --> G
    F --> G
    G --> H(验证合约 哈希比对与版本管理)
    H --> I(调用者 检索文件并校验完整性)
    I --> J(模型加载到推理框架)

上述架构图展示了哈希锚定范式的完整闭环。开发者将模型文件推入去中心化存储网络，获得内容标识与Merkle根；合约层记录这些数据并实施版本控制与权限管理；调用者在下载后通过密码学手段验证文件完整性，再送入推理框架。整个过程中，区块链的角色更像是"公证人"与"记账员"，而非"仓库管理员"。

六、微软SUM框架的技术解剖：当模型参数住进智能合约

早在2019年，微软研究院就提出了SUM（Sharing Updatable Models）框架，探索将机器学习模型直接托管于区块链之上并进行协作更新。该项目在GitHub上以"0xDeCA10B"（Decentralize AI 的十六进制双关）开源，其设计思想在今天依然具有超前性。

SUM框架的核心组件包括三个部分：模型存储合约、激励合约与自评估机制。模型存储合约以Solidity实现，将小型机器学习模型的权重直接写入链上存储槽。在论文中使用的是感知器等线性模型，其参数量足以在以太坊的gas限制内完成前向传播与梯度更新。激励合约负责管理数据贡献者的质押与释放逻辑：贡献者需要预先锁定一定资源，提交训练数据与梯度更新后，合约运行本地推理以评估更新是否提升了模型性能，再决定是否释放锁定。

自评估机制（Self-assessment Incentive Mechanism）是SUM的创新点。传统联邦学习中，中心节点负责聚合与验证，而SUM将这一验证也推入链上合约。合约在收到更新后，会立即用一小部分已知标签的数据测试更新后的模型，计算准确率的变化。如果新模型的准确率高于旧版本，更新被接受，贡献者获得正向反馈；若准确率下降或无变化，锁定资源被部分罚没。这种设计用链上自动化逻辑替代了中心化信任，但受限于gas成本与计算能力，只能处理参数规模极小的模型。

SUM框架的局限也十分明确：以太坊的存储与计算成本决定了它无法承载神经网络级别的参数量。但它的原型意义在于，它证明了"链上模型+链上激励+链上验证"这一闭环在工程上是可行的。后续的诸多项目——从去中心化训练协议到模型市场——都在以不同方式扩展这一思路：将模型的"重"留在链下，将"信任"留在链上。

graph TD
    A(数据贡献者 提交训练样本) --> B(链上模型合约 执行前向传播)
    B --> C(计算新梯度与损失)
    C --> D(自评估合约 用预留测试集验证)
    D -->|准确率提升| E(激励合约 释放正向资源)
    D -->|准确率下降| F(惩罚机制 扣除部分锁定)
    E --> G(更新后的模型参数 写入合约存储)
    F --> H(废弃更新 保留旧版本)
    G --> I(任何调用者 免费读取模型进行预测)

流程图梳理了SUM框架的运转逻辑。数据贡献者在提交样本的同时需要锁定资源，合约用预留的测试数据验证更新质量，依据结果自动执行激励或惩罚，最终接受或拒绝参数更新。任何人均可调用已接受的模型进行预测——这是"用开放获取换社区参与"的设计，其精神与今天开源模型社区向去中心化训练迁移的趋势一脉相承。

七、从72B到107B：去中心化训练记录的规模跃迁与验证层进化

SUM框架证明了小规模模型可以链上协作，而过去两年的工程实践则不断将这一理念推向工业级规模。一条清晰的时间线正在形成。

2024年7月，Prime Intellect发布了OpenDiLoCo——一个基于DeepMind DiLoCo论文的开源实现。DiLoCo的核心思想是降低分布式节点之间的通信频率：每个节点用本地数据独立训练多步后才向中央聚合器同步梯度，而不是像传统参数服务器那样每步都通信。这种"低频次、大批量"的同步策略，使得在消费级带宽环境下训练大模型成为可能。

2025年9月，Templar团队基于Protocol Learning架构训练出700亿参数的模型（Templar III），成为当时去中心化训练领域规模最大的预训练记录。这一记录并没有保持太久。2026年3月前后，Bittensor社区发布了名为"Covenant"的720亿参数模型。然而几乎在同一时间，0G Labs披露了一项更早的实验：2025年7月，他们联合中国移动，基于DiLoCoX框架在标准互联网带宽（1Gbps）下完成了1070亿参数模型的预训练。这一规模比Bittensor的72B大出48%，且完成时间早了8个月。

这些记录的意义不仅在于参数规模。它们验证了"标准互联网带宽即可训练百亿参数级模型"这一假设，意味着超大规模AI训练不再必然依赖专用的InfiniBand网络与超算中心。对于存储层而言，去中心化训练带来了一个新命题：如此庞大的分布式集群，如何在不依赖中心化存储桶的情况下共享检查点、分发基础模型与验证梯度完整性？

答案指向了"验证层"的进化。0G Labs的方案中，存储、计算与数据可用性被统一为一个高性能基础设施。训练节点定期将梯度摘要与模型检查点的Merkle根写入链上，形成可交叉验证的审计日志。节点服务者不仅需要提供算力，还需要按照协议要求保存特定的模型分片与历史检查点，以备后续验证。链上结算层则负责依据各个节点的在线时长、带宽贡献与验证响应来分配资源。这种"存储+计算+验证"三位一体的架构，正在模糊传统AI基础设施与区块链基础设施之间的边界。

八、四层架构全景：日志层、存储层、结算层与验证层

将前述实验与实践抽象为一个通用框架，可以得到四层基础设施模型。

日志层负责不可篡改的版本控制与操作审计。每一次模型发布、每一次检查点生成、每一次参数更新，都在链上留下时间与哈希的印记。即便发布者后续删除链下文件，链上日志依然能够证明"在某一个具体时间点，某个哈希值被宣称为模型的某个版本"。这一层为整个系统提供了时间轴与问责轴。

存储层是参数的物理栖身之所。它可以是IPFS的分布式缓存、Filecoin的存储合约，也可以是Arweave的永久织网。在性能优化的场景中，热模型版本放在IPFS或专用CDN缓存，冷检查点放在Filecoin的经济激励网络，需要永久存档的基础权重则写入Arweave。存储层的设计核心不是"去中心化崇拜"，而是根据数据热度、持久性需求与成本约束，在不同协议之间进行分层调度。

结算层处理资源计量与激励分配。它回答的核心问题是：谁提供了多少存储空间、多快响应了检索请求、保存了多少有效时长。Filecoin的时空证明提供了链上可验证的存储计量；而0G Labs等新一代协议则更进一步，将结算与计算、验证整合，使节点服务者的回报与其多维贡献挂钩，而非单一维度。

验证层是信任的最后防线。它的职责是确保调用者拿到的模型，与链上声明的哈希一致。最简单的验证是整文件哈希比对；更复杂但更高效的是Merkle路径验证——下载者只需获取一小段Merkle证明，就能确认某个参数子集属于完整的、未被篡改的模型。在zkML等前沿方向，验证层甚至能够在不暴露模型内部参数的情况下，向调用者证明推理结果确实来自某个特定版本的模型。

graph LR
    A(日志层<br>版本控制与操作审计) --> B(存储层<br>参数分片与持久化)
    B --> C(结算层<br>资源计量与激励分配)
    C --> D(验证层<br>完整性校验与正确性证明)
    D -- 审计结果反馈 --> A
    D --> B

四层形成一个循环：验证层的审计结果可以回流到日志层，形成闭环的可信记录。这种架构并不要求每一层都运行在区块链上——事实上，存储层的大部分工作在传统分布式网络中效率更高。但日志、结算与验证的上链，为整个系统提供了去中心化的信任基座。

九、三个运转机制：哈希锚定、分段托管与激励博弈

在所有工程路径背后，存在三个反复出现的底层机制。

哈希锚定是最基础的信任单元。它把任意体积的链下文件，压缩为一个固定长度的密码学指纹（如SHA-256或blake3），并将这个指纹注册到链上。一旦注册，无论文件被复制到多少个节点、传输多少次，验证者都能通过重新计算指纹来判断文件是否完整。对于大模型场景，单一指纹可能不够——因为下载者需要边下载边验证，而不是等全量130GB下载完成后再做哈希。于是Merkle树被引入：文件被切分为小块，生成一棵哈希树，下载者每获得一块就验证一段Merkle路径，实现流式验证。

分段托管解决的是单节点容量不足与持久性不足的问题。一个超大模型文件会被切分为大量小块，通过纠删码（如Reed-Solomon编码）生成冗余块，分散存储在不同节点。即便部分节点离线，网络仍能从其余节点重建完整文件。Filecoin的扇区封存机制本质上就是一种分段托管的实现：文件被切分为32GiB的扇区，复制编码后分散到多个存储提供者的数据中心。

激励博弈则是整个系统的经济引擎。去中心化网络中的节点没有雇佣关系，必须通过密码学与经济设计来约束 opportunistic behavior。Filecoin的"时空证明"要求存储提供者定期提交随机抽样的证明，不能提交则面临罚没；0G Labs的"数据可用性抽样"要求节点不仅要存，还要在请求时迅速响应并返回有效数据。这些机制共同构成了一套"验证即约束"的博弈结构，使得系统在没有中心化管理者的情况下，依然能够自我维持。

十、延迟不是敌人，而是尺度：检索延迟与带宽天花板的现实边界

去中心化存储并非万能药。在落地评估中，延迟与带宽是不可回避的工程约束。

IPFS的检索延迟取决于DHT路由效率与缓存热度的分布。对于冷门文件（如某个月前的旧版本检查点），请求可能需要遍历多个节点才能凑齐所有块，延迟可能从几秒到数十秒不等。相比之下，主流云对象存储在CDN边缘的命中延迟通常在50至200毫秒之间。这个差距意味着：去中心化网络目前更适合作为基础模型的"冷备份"与"信任锚"，而非高并发在线推理的"热缓存"。

带宽方面，去中心化存储网络在热门模型上的聚合带宽可能相当可观——当全球数千个节点同时缓存同一热门文件时，请求者可以同时从多个节点并行拉取，理论带宽远超单一云厂商的出站限额。但对于长尾文件，有效带宽则可能受限于少数几个持有该文件的节点的上行速率。这与BitTorrent的流行度原理相同：越受欢迎的内容，去中心化网络分发越快；越冷门的内容，分发越依赖原始种子的带宽。

因此，一个务实的混合架构正在形成：在线推理服务继续使用云CDN获取毫秒级响应；模型发布与版本存档则通过IPFS/Filecoin/Arweave实现去信任化分发与长期保存。延迟没有被消除，而是被当作架构选型的标尺——不同延迟要求的场景，匹配不同的存储层级。

技术参考框
在 DiLoCoX 的训练实验中，节点之间同步的并非完整梯度，而是经过低秩近似压缩后的梯度摘要。这种压缩将节点间通信量压缩了几个数量级，使得1Gbps的消费级带宽足以支撑1070亿参数模型的分布式训练。这也说明，带宽瓶颈可以通过算法优化来化解，而非一味依赖硬件升级。

十一、开发者现在能尝试哪些路径？五条从实验到落地的建议

对于希望将去中心化存储引入AI工作流的开发者，以下五条路径按复杂度递增排列。

第一，用IPFS分发开源模型。Hugging Face已原生支持从IPFS网关下载模型文件。开发者可以通过 ipfs add 将本地训练好的模型权重上传至IPFS网络，获得一个以 cid: 开头的永久地址。这个地址可以被嵌入到项目文档或智能合约中，任何用户都能通过公共网关或本地IPFS节点拉取文件。这是门槛最低的实验入口。

第二，用Arweave做检查点永久存档。对于希望长期保留训练历史或模型里程碑的团队，Arweave提供了"一次付费、永久可读"的特性。通过与Arweave SDK或Bundler服务集成，可以在每次重大训练完成后，将检查点自动推送到区块编织网络。链上只需记录Arweave交易的ID与文件哈希，即可完成长期审计追踪。

第三，搭建哈希锚定合约。在以太坊或兼容EVM的链上，可以部署一个极简的模型注册合约，仅记录模型名称、版本号与对应的IPFS CID或Merkle根。合约可以附加多签或DAO治理接口，确保模型更新需要经过多方审批。这一方案不改动现有的训练流程，仅在发布环节增加一个"上链登记"的步骤，适合已有成熟训练流程的团队渐进式引入。

第四，参与去中心化训练网络作为计算资源提供方。0G Labs、Prime Intellect等协议均支持将闲置GPU接入分布式训练网格。贡献者运行开源的训练节点客户端，在执行本地计算的同时保存指定分片的数据与检查点。这种参与不需要购买专用矿机，任何拥有兼容GPU与稳定带宽的开发环境都可以接入。作为回报，协议依据计算贡献与数据可用性响应来调度资源。

第五，探索零知识证明与验证层的结合。zkML领域的进展使得"在不暴露模型内部参数的情况下，证明推理结果来自某个特定版本模型"成为可能。开发者可以将zkML验证器合约部署到链上，当模型创作者发布新版本时，同时发布对应的零知识证明。调用者可以在下载模型之前，先验证链上的证明，确保将要下载的权重确实属于经过认证的版本。这一方向目前仍处于早期，但可能是未来验证层的关键组件。

十二、存储网络成为AI的"骨骼"：未来五年基础设施拓扑展望

如果将AI应用比作一个有机体，模型参数是它的"脑"，推理接口是"神经末梢"，而存储网络则是支撑整个系统的"骨骼"。当前，这条骨骼架设在少数云厂商的数据中心内，精密但集中。去中心化存储与链上验证的加入，正在尝试将骨骼从单一结构重塑为分布式网格。

未来五年的演化可能沿着三条轴线展开。

轴线一，存储协议本身的性能提升。IPFS的传输层正在从Kademlia DHT向更高效的内容路由协议（如GossipSub与Bitswap优化）演进；Filecoin的FVM（Filecoin虚拟机）使存储合约可以执行任意逻辑，允许在存储层直接进行条件触发与自动化结算；Arweave的AO计算机（Ambient Operating System）则试图在永久存储之上引入可编程的执行环境。这些升级将模糊"存储"与"计算"的边界，使得模型分发不仅是数据的搬运，还能附带链上可执行的访问控制与使用 metering。

轴线二，模型训练与存储的深度融合。当分布式训练集群本身就作为存储节点运行时，训练完成后的检查点无需再"搬运"到另一个存储网络，而是就地保留在参与节点上，并通过链上哈希实现跨节点验证。这种"训练即存储、存储即验证"的一体化设计，可以消除当前训练集群与存储集群之间的传输瓶颈，同时降低多副本保存的成本。

轴线三，跨链互操作与多协议调度。不同存储协议在成本、持久性、延迟之间的 trade-off 是客观存在的。未来的基础设施不太可能是"IPFS大一统"或"Filecoin大一统"，而是由一个调度层根据文件的访问频率、保存期限、预算约束与合规要求，自动将数据路由到最合适的底层协议。这个调度层本身可能由智能合约管理，实现自动化的分层存储策略。

这三条轴线的交汇点，是一个不再被单一实体控制的AI基础设施。开发者可以在任何地点提供计算与存储；研究者可以在公有链上验证任何模型的来源与完整性；开源社区可以在没有平台依赖的情况下分发百亿参数模型。这个过程不会一蹴而就——延迟、带宽与经济激励的设计仍需迭代——但方向已经清晰：存储网络正在成为AI信任基础设施的基石。

结语

大模型参数的"重量"不会减轻，只会随着下一次架构突破而继续膨胀。开发者与研究者需要回答的问题，从来不是"去中心化是不是比云存储更好"，而是"在哪些环节，去中心化的信任特性能够补充或替代现有的中心化方案"。哈希锚定、Merkle验证与链上激励提供了一套密码学的工具箱，它的价值不在于推翻现有系统，而在于为模型分发、版本控制与协作训练增加一条无需许可的信任通道。在这条通道上，存储网络承担的不仅是数据的搬运，更是AI生态的可验证性根基。